版本 1.6

有关此版本主要亮点的简要说明，请参阅 scikit-learn 1.6 版本亮点。

更新日志图例

• 重大功能 以前无法实现的大功能。

• 功能 以前无法实现的功能。

• 效率提升 现有功能现在可能不需要那么多计算或内存。

• 增强 一般性的小改进。

• 修复 以前无法按文档或合理预期工作的问题现在应该可以了。

• API 变更 未来你需要更改代码才能达到相同的效果；或者未来某个功能将被移除。

版本 1.6.1

2025 年 1 月

变更模型

• 修复 大部分估计器已更正 tags.input_tags.sparse 标志。由 Antoine Baker #30187

影响多个模块的变更

• 修复 _more_tags、_get_tags 和 _safe_tags 现在引发 DeprecationWarning 而不是 FutureWarning，以便只通知开发人员而不是最终用户。由 Guillaume Lemaitre 在 #30573 中

sklearn.metrics

• 修复 修复了当在 PyTorch CPU 张量上调用 scikit-learn 度量时（禁用 Array API 调度，这是默认设置）会引发错误的回归问题。由 Loïc Estève #30454

sklearn.model_selection

• 修复 cross_validate、cross_val_predict 和 cross_val_score 现在在启用元数据路由时接受 params=None。由 Adrin Jalali #30451

sklearn.tree

• 修复 使用 log2 而不是 ln 来构建树，以保持以前版本的行为。由 Thomas Fan #30557

sklearn.utils

• 增强 utils.estimator_checks.check_estimator_sparse_tag 确保估计器标签 input_tags.sparse 与其 fit 方法一致（接受稀疏输入 X 或引发适当的错误）。由 Antoine Baker #30187

• 修复 当估计器的 MRO 中没有 __sklearn_tags__ 的具体实现时，引发 DeprecationWarning。我们要求继承自实现 __sklearn_tags__ 的 BaseEstimator。由 Guillaume Lemaitre #30516

版本 1.6.0

2024 年 12 月

影响许多模块的更改

• 增强 引入了 __sklearn_tags__ 用于在估计器中设置标签。更多详细信息请参阅 估计器标签。由 Thomas Fan 和 Adrin Jalali #29677

• 增强 scikit-learn 类和函数现在只需 import sklearn 导入行即可使用。例如，import sklearn; sklearn.svm.SVC() 现在可以工作。由 Thomas Fan #29793

• 修复 类 metrics.ConfusionMatrixDisplay、metrics.RocCurveDisplay、calibration.CalibrationDisplay、metrics.PrecisionRecallDisplay、metrics.PredictionErrorDisplay 和 inspection.PartialDependenceDisplay 现在可以正确处理 Matplotlib 样式参数的别名（例如，c 和 color，ls 和 linestyle 等）。由 Joseph Barbier #30023

• API 更改 引入了 utils.validation.validate_data 并取代了以前私有的 base.BaseEstimator._validate_data 方法。这旨在供第三方估计器开发人员使用，他们应在大多数情况下使用此函数而不是 utils.check_array 和 utils.check_X_y。由 Adrin Jalali #29696

支持 Array API

已更新其他估计器和函数以包含对所有 Array API 兼容输入的支持。

有关详细信息，请参阅 Array API 支持（实验性）。

• 功能 model_selection.GridSearchCV、model_selection.RandomizedSearchCV、model_selection.HalvingGridSearchCV 和 model_selection.HalvingRandomSearchCV 现在在其基础估计器支持时支持 Array API 兼容输入。由 Tim Head 和 Olivier Grisel #27096

• 功能 sklearn.metrics.f1_score 现在支持 Array API 兼容输入。由 Omar Salman #27369

• 功能 preprocessing.LabelEncoder 现在支持 Array API 兼容输入。由 Omar Salman #27381

• 功能 sklearn.metrics.mean_absolute_error 现在支持 Array API 兼容输入。由 Edoardo Abati #27736

• 功能 sklearn.metrics.mean_tweedie_deviance 现在支持 Array API 兼容输入。由 Thomas Li #28106

• 功能 sklearn.metrics.pairwise.cosine_similarity 现在支持 Array API 兼容输入。由 Edoardo Abati #29014

• 功能 sklearn.metrics.pairwise.paired_cosine_distances 现在支持 Array API 兼容输入。由 Edoardo Abati #29112

• 功能 sklearn.metrics.cluster.entropy 现在支持 Array API 兼容输入。由 Yaroslav Korobko #29141

• 功能 sklearn.metrics.mean_squared_error 现在支持 Array API 兼容输入。由 Yaroslav Korobko #29142

• 功能 sklearn.metrics.pairwise.additive_chi2_kernel 现在支持 Array API 兼容输入。由 Yaroslav Korobko #29144

• 功能 sklearn.metrics.d2_tweedie_score 现在支持 Array API 兼容输入。由 Emily Chen #29207

• 功能 sklearn.metrics.max_error 现在支持 Array API 兼容输入。由 Edoardo Abati #29212

• 功能 sklearn.metrics.mean_poisson_deviance 现在支持 Array API 兼容输入。由 Emily Chen #29227

• 功能 sklearn.metrics.mean_gamma_deviance 现在支持 Array API 兼容输入。由 Emily Chen #29239

• 功能 sklearn.metrics.pairwise.cosine_distances 现在支持 Array API 兼容输入。由 Emily Chen #29265

• 功能 sklearn.metrics.pairwise.chi2_kernel 现在支持 Array API 兼容输入。由 Yaroslav Korobko #29267

• 功能 sklearn.metrics.mean_absolute_percentage_error 现在支持 Array API 兼容输入。由 Emily Chen #29300

• 功能 sklearn.metrics.pairwise.paired_euclidean_distances 现在支持 Array API 兼容输入。由 Emily Chen #29389

• 功能 sklearn.metrics.pairwise.euclidean_distances 和 sklearn.metrics.pairwise.rbf_kernel 现在支持 Array API 兼容输入。由 Omar Salman #29433

• 功能 sklearn.metrics.pairwise.linear_kernel、sklearn.metrics.pairwise.sigmoid_kernel 和 sklearn.metrics.pairwise.polynomial_kernel 现在支持 Array API 兼容输入。由 Omar Salman #29475

• 功能 sklearn.metrics.mean_squared_log_error 和 sklearn.metrics.root_mean_squared_log_error 现在支持 Array API 兼容输入。由 Virgil Chan #29709

• 功能 具有 clip=True 的 preprocessing.MinMaxScaler 现在支持 Array API 兼容输入。由 Shreekant Nandiyawar #29751

• 已移除对即将弃用的 cupy.array_api 模块的支持，转而直接支持顶级 cupy 模块，可能通过 array_api_compat.cupy 兼容性包装器实现。由 Olivier Grisel #29639

元数据路由

有关更多详细信息，请参阅 元数据路由用户指南。

• 功能 semi_supervised.SelfTrainingClassifier 现在支持元数据路由。fit 方法现在接受 **fit_params，这些参数通过其 fit 方法传递给底层估计器。此外，predict、predict_proba、predict_log_proba、score 和 decision_function 方法也接受 **params，这些参数通过其各自的方法传递给底层估计器。由 Adam Li #28494

• 功能 ensemble.StackingClassifier 和 ensemble.StackingRegressor 现在支持元数据路由，并通过其 fit 方法将 **fit_params 传递给底层估计器。由 Stefanie Senger #28701

• 功能 model_selection.learning_curve 现在支持对其估计器的 fit 方法及其底层 CV 分割器和评分器的元数据路由。由 Stefanie Senger #28975

• 功能 compose.TransformedTargetRegressor 现在在其 fit 和 predict 方法中支持元数据路由，并将相应的参数路由到底层回归器。由 Omar Salman #29136

• 功能 feature_selection.SequentialFeatureSelector 现在在其 fit 方法中支持元数据路由，并将相应的参数传递给 model_selection.cross_val_score 函数。由 Omar Salman #29260

• 功能 model_selection.permutation_test_score 现在支持对其估计器的 fit 方法及其底层 CV 分割器和评分器的元数据路由。由 Adam Li #29266

• 功能 feature_selection.RFE 和 feature_selection.RFECV 现在支持元数据路由。由 Omar Salman #29312

• 功能 model_selection.validation_curve 现在支持对其估计器的 fit 方法及其底层 CV 分割器和评分器的元数据路由。由 Stefanie Senger #29329

• 修复 元数据通过 linear_model.RidgeCV 和 linear_model.RidgeClassifierCV 正确路由到分组 CV 分割器，并且 UnsetMetadataPassedError 已修复，适用于使用默认评分的 linear_model.RidgeClassifierCV。由 Stefanie Senger #29634

• 修复 许多不应包含在路由机制中的方法参数现在已被排除，并且不会为它们生成 set_{method}_request 方法。由 Adrin Jalali #29920

放弃对 PyPy 的官方支持

由于维护者资源有限和用户数量较少，已放弃对 PyPy 的官方支持。scikit-learn 的某些部分可能仍然有效，但 PyPy 不再在 scikit-learn 持续集成中进行测试。由 Loïc Estève #29128

放弃对使用 setuptools 构建的支持

从 scikit-learn 1.6 开始，已移除对使用 setuptools 构建的支持。Meson 是构建 scikit-learn 唯一支持的方式。由 Loïc Estève #29400

Free-threaded CPython 3.13 支持

scikit-learn 对 free-threaded CPython 有初步支持，特别是我们所有支持的平台都提供 free-threaded wheels。

Free-threaded（也称为 nogil）CPython 3.13 是 CPython 3.13 的一个实验版本，旨在通过移除全局解释器锁 (GIL) 来实现高效的多线程用例。

有关 free-threaded CPython 的更多详细信息，请参阅 py-free-threading doc，特别是如何安装 free-threaded CPython 和生态系统兼容性跟踪。

请随意在您的用例中尝试 free-threaded 并报告任何问题！

由 Loïc Estève 和更广泛的 Scientific Python 和 CPython 生态系统中的许多其他人，例如 Nathan Goldbaum、Ralf Gommers、Edgar Andrés Margffoy Tuay。 #30360

sklearn.base

• 增强 添加了一个函数 base.is_clusterer，它确定给定的估计器是否属于聚类器类别。由 Christian Veenhuis #28936

• API 更改 将类对象传递给 is_classifier、is_regressor 和 is_outlier_detector 现已弃用。请改用实例。由 Adrin Jalali #30122

sklearn.calibration

• API 更改 cv="prefit" 对于 CalibratedClassifierCV 已弃用。请改用 FrozenEstimator，例如 CalibratedClassifierCV(FrozenEstimator(estimator))。由 Adrin Jalali #30171

sklearn.cluster

• API 更改 cluster.Birch 的 copy 参数在 1.6 中已弃用，并将在 1.8 中移除。由于估计器不对输入数据执行就地操作，因此它没有效果。由 Yao Xiao #29124

sklearn.compose

• 增强 sklearn.compose.ColumnTransformer 的 verbose_feature_names_out 现在接受字符串格式或可调用对象来生成特征名称。由 Marc Bresson #28934

sklearn.covariance

• 效率 covariance.MinCovDet 拟合现在稍微快一些。由 Antony Lee #29835

sklearn.cross_decomposition

• 修复 当 n_components 大于 n_samples 时，cross_decomposition.PLSRegression 现在正确引发错误。由 Thomas Fan #29710

sklearn.datasets

• 功能 datasets.fetch_file 允许从 Web 下载任意数据文件。它处理本地缓存、SHA256 摘要的完整性检查以及 HTTP 错误时的自动重试。由 Olivier Grisel #29354

sklearn.decomposition

• 增强 LatentDirichletAllocation 现在在 transform 和 fit_transform 方法中有一个 normalize 参数，用于控制文档主题分布是否归一化。由 Adrin Jalali #30097

• 修复 IncrementalPCA 现在只有在第一次调用 partial_fit 时，输入数据中的样本数量小于组件数量时才会引发 ValueError。随后的 partial_fit 调用不再受此限制。由 Thomas Gessey-Jones #30224

sklearn.discriminant_analysis

• 修复 discriminant_analysis.QuadraticDiscriminantAnalysis 在存在共线性变量的情况下现在会引发 LinAlgWarning。这些错误可以通过使用 reg_param 属性来抑制。由 Alihan Zihna #19731

sklearn.ensemble

• 功能 ensemble.ExtraTreesClassifier 和 ensemble.ExtraTreesRegressor 现在支持数据矩阵 X 中的缺失值。缺失值通过在遍历树时随机将所有样本移动到左或右子节点来处理。由 Adam Li #28268

• 效率 通过并行化 bin 阈值的初始搜索，拟合 ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 的运行时间略有改进。由 Christian Lorentzen #28064

• 效率 ensemble.IsolationForest 现在在 predict 期间运行并行作业，对于样本大小大于 2000 的情况，使用 joblib 可将速度提高 2-4 倍。由 Adam Li 和 Sérgio Pereira #28622

• 增强 ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 的详细程度得到了更精细的控制。现在，verbose = 1 只打印摘要信息，verbose >= 2 则像以前一样打印完整信息。由 Christian Lorentzen #28179

• API 更改 ensemble.AdaBoostClassifier 的参数 algorithm 已弃用，并将在 1.8 中移除。由 Jérémie du Boisberranger #29997

sklearn.feature_extraction

• 修复 feature_extraction.text.TfidfVectorizer 现在正确地根据输入数据保留了 idf_ 的 dtype。由 Guillaume Lemaitre #30022

sklearn.frozen

• 主要功能 现引入了 FrozenEstimator，它允许冻结估计器。这意味着对其调用 .fit 不会产生任何效果，并且执行 clone(frozenestimator) 会返回相同的估计器而不是未拟合的克隆。 #29705 由 Adrin Jalali #29705

sklearn.impute

• 修复 impute.KNNImputer 在计算均匀权重的平均值时排除具有 NaN 距离的样本。由 Xuefeng Xu #29135

• 修复 当 min_value 和 max_value 类似数组，并且由于 keep_empty_features=False 丢弃了一些特征时，impute.IterativeImputer 不再引发错误，现在可以正确索引。由 Guntitat Sawadwuthikul #29451

• 修复 修复了 impute.IterativeImputer，以确保当 keep_empty_features 设置为 True 时，它不会跳过迭代过程。由 Arif Qodari #29779

• API 更改 当 keep_empty_feature=False 和 strategy="constant" 时，在 impute.SimpleImputer 中添加警告。在这种情况下，空特征不会被删除，此行为将在 1.8 中更改。由 Arthur Courselle 和 Simon Riou #29950

sklearn.linear_model

• 增强 linear_model.LogisticRegression 和 linear_model.LogisticRegressionCV 中的 solver="newton-cholesky" 已扩展为支持多分类设置中的完整多项式损失。由 Christian Lorentzen #28840

• 修复 在 linear_model.Ridge 和 linear_model.RidgeCV 中，fit 之后，coef_ 属性现在与其他线性模型一样是 (n_samples,) 形状。由 Maxwell Liu、Guillaume Lemaitre 和 Adrin Jalali #19746

• 修复 linear_model.LogisticRegressionCV 更正了样本权重处理以计算测试分数。由 Shruti Nath #29419

• 修复 linear_model.LassoCV 和 linear_model.ElasticNetCV 现在考虑样本权重来定义内部调整的 alpha 超参数的搜索网格。由 John Hopfensperger 和 Shruti Nath #29442

• 修复 linear_model.LogisticRegression、linear_model.PoissonRegressor、linear_model.GammaRegressor、linear_model.TweedieRegressor 现在考虑样本权重，以便在 solver='newton-cholesky' 变得数值不稳定时决定何时回退到 solver='lbfgs'。由 Antoine Baker #29818

• 修复 linear_model.RidgeCV 现在正确使用与 fit 期间看到的目标相同尺度的预测。当 scoring != None 时，这些预测存储在 cv_results_ 中。以前，预测通过样本权重的平方根重新缩放并由目标均值偏移，导致分数估计不正确。由 Guillaume Lemaitre、Jérôme Dockes 和 Hanmin Qin #29842

• 修复 linear_model.RidgeCV 现在通过让评分器管理多输出平均来正确支持自定义多输出评分器。以前，在计算误差之前，预测和真实目标都挤压成一维数组。由 Guillaume Lemaitre #29884

• 修复 linear_model.LinearRegression 现在在密集输入数据上调用 scipy.linalg.lstsq 求解器时设置 cond 参数。这确保了在秩亏数据上更数值鲁棒的结果。特别是，它通过经验修复了使用重加权或重复数据点进行拟合之间的预期等效性属性。由 Antoine Baker #30040

• 修复 linear_model.LogisticRegression 和其他接受 solver="newton-cholesky" 的线性模型现在在因 Hessian 矩阵秩亏而回退到 "lbfgs" 求解器时报告正确的迭代次数。由 Olivier Grisel #30100

• 修复 SGDOneClassSVM 现在正确继承自 OutlierMixin 并且标签设置正确。由 Guillaume Lemaitre #30227

• API 更改 linear_model.TheilSenRegressor 中的 copy_X 已弃用，因为该参数没有效果。copy_X 将在 1.8 中移除。由 Adam Li #29105

sklearn.manifold

• 效率 manifold.locally_linear_embedding 和 manifold.LocallyLinearEmbedding 现在在 Hessian、Modified 和 LTSA 方法中更有效地分配稀疏矩阵的内存。由 Giorgio Angelotti #28096

sklearn.metrics

• 效率 sklearn.metrics.classification_report 现在通过缓存分类标签而更快。由 Adrin Jalali #29738

• 增强 metrics.RocCurveDisplay.from_estimator、metrics.RocCurveDisplay.from_predictions、metrics.PrecisionRecallDisplay.from_estimator 和 metrics.PrecisionRecallDisplay.from_predictions 现在接受一个新的关键字 despine 来移除绘图的顶部和右侧边框，使其更清晰。由 Yao Xiao #26367

• 增强 sklearn.metrics.check_scoring 现在接受 raise_exc 来指定当多指标评分中的一部分评分器失败时是引发异常还是返回错误代码。由 Stefanie Senger #28992

• 修复 如果标签中只存在一个类别，metrics.roc_auc_score 现在将正确返回 np.nan 并警告用户。由 Hleb Levitski 和 Janez Demšar #27412, #30013

• 修复 函数 metrics.mean_squared_log_error 和 metrics.root_mean_squared_log_error 现在检查输入是否在函数 \(y=\log(1+x)\) 的正确域内，而不是 \(y=\log(x)\)。函数 metrics.mean_absolute_error、metrics.mean_absolute_percentage_error、metrics.mean_squared_error 和 metrics.root_mean_squared_error 现在明确检查当 multioutput=uniform_average 时是否会返回标量。由 Virgil Chan #29709

• API 更改 函数 metrics.pairwise.check_pairwise_arrays 和 metrics.pairwise_distances 的 assert_all_finite 参数已重命名为 ensure_all_finite。force_all_finite 将在 1.8 中移除。由 Jérémie du Boisberranger #29404

• API 更改 应该使用 scoring="neg_max_error" 而不是已弃用的 scoring="max_error"。由 Farid “Freddie” Taba #29462

• API 更改 metrics.make_scorer 的 response_method 参数的默认值将从 None 更改为 "predict"，并且 None 将在 1.8 中移除。在此期间，None 等同于 "predict"。由 Jérémie du Boisberranger #30001

sklearn.model_selection

• 增强 GroupKFold 现在可以在 shuffle=True 时将组打乱到不同的折叠中。由 Zachary Vealey #28519

• 增强 如果底层估计器已经拟合，则无需对 FixedThresholdClassifier 调用 fit。由 Adrin Jalali #30172

• 修复 改进了当在没有 y 参数的情况下调用 model_selection.RepeatedStratifiedKFold.split 时的错误消息。由 Anurag Varma #29402

sklearn.neighbors

• 增强 neighbors.NearestNeighbors、neighbors.KNeighborsClassifier、neighbors.KNeighborsRegressor、neighbors.RadiusNeighborsClassifier、neighbors.RadiusNeighborsRegressor、neighbors.KNeighborsTransformer、neighbors.RadiusNeighborsTransformer 和 neighbors.LocalOutlierFactor 现在可以使用 metric="nan_euclidean"，支持 nan 输入。由 Carlo Lemos、Guillaume Lemaitre 和 Adrin Jalali #25330

• 增强 为 neighbors.NearestCentroid 估计器类添加了 neighbors.NearestCentroid.decision_function、neighbors.NearestCentroid.predict_proba 和 neighbors.NearestCentroid.predict_log_proba。在 neighbors.NearestCentroid 中，支持 X 是稀疏的且 shrinking_threshold 不是 None 的情况。由 Matthew Ning 完成 #26689

• 增强 使 neighbors.KNeighborsClassifier 和 neighbors.RadiusNeighborsClassifier 的 predict、predict_proba 和 score 方法接受 X=None 作为输入。在这种情况下，将返回所有训练集点的预测结果，并且点不包括在其自身的近邻中。由 Dmitry Kobak 完成 #30047

• 修复 当训练数据中的重复值导致不准确的异常检测时，neighbors.LocalOutlierFactor 在 fit 方法中发出警告。由 Henrique Caroço 完成 #28773

sklearn.neural_network

• 修复 当模型发散且启用了 early_stopping 时，neural_network.MLPRegressor 不再崩溃。由 Marc Bresson 完成 #29773

sklearn.pipeline

• 主要功能 pipeline.Pipeline 现在可以将元数据转换到需要元数据的步骤，这可以使用 transform_input 参数进行设置。由 Adrin Jalali 完成 #28901

• 增强 pipeline.Pipeline 现在会在调用需要管道拟合的方法之前发出未拟合的警告。此警告将在 1.8 版本中变为错误。由 Adrin Jalali 完成 #29868

• 修复 修复了当管道为空时 Pipeline 的标签和估计器类型问题。这使得空管道的 HTML 表示能够正确渲染。由 Gennaro Daniele Acciaro 完成 #30203

sklearn.preprocessing

• 增强 在 preprocessing.OneHotEncoder 中为 handle_unknown 参数添加了 warn 选项。由 Hleb Levitski 完成 #28637

• 增强 preprocessing.FunctionTransformer 的 HTML 表示将在标签中显示函数名称。由 Yao Xiao 完成 #29158

• 修复 preprocessing.PowerTransformer 现在使用 scipy.special.inv_boxcox 来输出 nan，如果 BoxCox 的逆函数的输入无效。由 Xuefeng Xu 完成 #27875

sklearn.semi_supervised

• API 变更 semi_supervised.SelfTrainingClassifier 弃用了 base_estimator 参数，转而使用 estimator。由 Adam Li 完成 #28494

sklearn.tree

• 功能 tree.ExtraTreeClassifier 和 tree.ExtraTreeRegressor 现在支持数据矩阵 X 中的缺失值。缺失值通过在遍历树时随机将所有样本移动到左侧或右侧子节点来处理。由 Adam Li 和 Loïc Estève 完成 #27966, #30318

• 修复 将树导出为 Graphviz 格式时，为标签和特征名转义双引号。由 Santiago M. Mola 完成。 #17575

sklearn.utils

• 增强 utils.check_array 现在接受 ensure_non_negative 来检查传入数组中的负值，在此之前只能通过调用 utils.check_non_negative 来实现。由 Tamara Atanasoska 完成 #29540

• 增强 check_estimator 和 parametrize_with_checks 现在检查分类器是否具有 tags.classifier_tags.multi_class = False 标签，但未能处理多类数据，如果出现这种情况则会失败。由 Adrin Jalali 完成 #29874

• 增强 utils.validation.check_is_fitted 现在通过无状态估计器。估计器可以通过设置 requires_fit 标签来表明它是无状态的。有关更多信息，请参阅 估计器标签。由 Adrin Jalali 完成 #29880

• 增强 对 check_estimator 和 parametrize_with_checks 进行了更改。

  • check_estimator 引入了新参数：on_skip、on_fail 和 callback 来控制检查运行器的行为。有关更多详细信息，请参阅 API 文档。

  • generate_only=True 在 check_estimator 中已弃用。请改用 estimator_checks_generator。

  • _xfail_checks 估计器标签现已删除，现在为了指示哪些测试预期会失败，您可以将字典作为 check_estimator 的 expected_failed_checks 参数传递。同样，parametrize_with_checks 中的 expected_failed_checks 参数也可以使用，它是一个返回字典形式的可调用对象

    {
        "check_name": "reason to mark this check as xfail",
    }
    

  由 Adrin Jalali 完成 #30149

• 修复 utils.estimator_checks.parametrize_with_checks 和 utils.estimator_checks.check_estimator 现在支持在其上调用 set_output 的估计器。由 Adrin Jalali 完成 #29869

• API 变更 函数 utils.check_array、utils.check_X_y、utils.as_float_array 的 assert_all_finite 参数已重命名为 ensure_all_finite。force_all_finite 将在 1.8 版本中删除。由 Jérémie du Boisberranger 完成 #29404

• API 变更 utils.estimator_checks.check_sample_weights_invariance 已替换为 utils.estimator_checks.check_sample_weight_equivalence_on_dense_data（使用整数（包括零）权重）和 utils.estimator_checks.check_sample_weight_equivalence_on_sparse_data（对稀疏数据执行相同操作）。由 Antoine Baker 完成 #29818, #30137

• API 变更 使用 _estimator_type 设置估计器类型已弃用。请改为继承自 ClassifierMixin、RegressorMixin、TransformerMixin 或 OutlierMixin。或者，您可以在 __sklearn_tags__ 方法中的 Tags 中设置 estimator_type。由 Adrin Jalali 完成 #30122

代码和文档贡献者

感谢自 1.5 版本以来为项目的维护和改进做出贡献的所有人，包括

Aaron Schumacher, Abdulaziz Aloqeely, abhi-jha, Acciaro Gennaro Daniele, Adam J. Stewart, Adam Li, Adeel Hassan, Adeyemi Biola, Aditi Juneja, Adrin Jalali, Aisha, Akanksha Mhadolkar, Akihiro Kuno, Alberto Torres, alexqiao, Alihan Zihna, Aniruddha Saha, antoinebaker, Antony Lee, Anurag Varma, Arif Qodari, Arthur Courselle, ArthurDbrn, Arturo Amor, Aswathavicky, Audrey Flanders, aurelienmorgan, Austin, awwwyan, AyGeeEm, a.zy.lee, baggiponte, BlazeStorm001, bme-git, Boney Patel, brdav, Brigitta Sipőcz, Cailean Carter, Camille Troillard, Carlo Lemos, Christian Lorentzen, Christian Veenhuis, Christine P. Chai, claudio, Conrad Stevens, datarollhexasphericon, Davide Chicco, David Matthew Cherney, Dea María Léon, Deepak Saldanha, Deepyaman Datta, dependabot[bot], dinga92, Dmitry Kobak, Domenico, Drew Craeton, dymil, Edoardo Abati, EmilyXinyi, Eric Larson, Evelyn, fabianhenning, Farid “Freddie” Taba, Gael Varoquaux, Giorgio Angelotti, Hleb Levitski, Guillaume Lemaitre, Guntitat Sawadwuthikul, Haesun Park, Hanjun Kim, Henrique Caroço, hhchen1105, Hugo Boulenger, Ilya Komarov, Inessa Pawson, Ivan Pan, Ivan Wiryadi, Jaimin Chauhan, Jakob Bull, James Lamb, Janez Demšar, Jérémie du Boisberranger, Jérôme Dockès, Jirair Aroyan, João Morais, Joe Cainey, Joel Nothman, John Enblom, JorgeCardenas, Joseph Barbier, jpienaar-tuks, Julian Chan, K.Bharat Reddy, Kevin Doshi, Lars, Loic Esteve, Lucas Colley, Lucy Liu, lunovian, Marc Bresson, Marco Edward Gorelli, Marco Maggi, Marco Wolsza, Maren Westermann, MarieS-WiMLDS, Martin Helm, Mathew Shen, mathurinm, Matthew Feickert, Maxwell Liu, Meekail Zain, Michael Dawson, Miguel Cárdenas, m-maggi, mrastgoo, Natalia Mokeeva, Nathan Goldbaum, Nathan Orgera, nbrown-ScottLogic, Nikita Chistyakov, Nithish Bolleddula, Noam Keidar, NoPenguinsLand, Norbert Preining, notPlancha, Olivier Grisel, Omar Salman, ParsifalXu, Piotr, Priyank Shroff, Priyansh Gupta, Quentin Barthélemy, Rachit23110261, Rahil Parikh, raisadz, Rajath, renaissance0ne, Reshama Shaikh, Roberto Rosati, Robert Pollak, rwelsch427, Santiago Castro, Santiago M. Mola, scikit-learn-bot, sean moiselle, SHREEKANT VITTHAL NANDIYAWAR, Shruti Nath, Søren Bredlund Caspersen, Stefanie Senger, Stefano Gaspari, Steffen Schneider, Štěpán Sršeň, Sylvain Combettes, Tamara, Thomas, Thomas Gessey-Jones, Thomas J. Fan, Thomas Li, ThorbenMaa, Tialo, Tim Head, Tuhin Sharma, Tushar Parimi, Umberto Fasci, UV, vedpawar2254, Velislav Babatchev, Victoria Shevchenko, viktor765, Vince Carey, Virgil Chan, Wang Jiayi, Xiao Yuan, Xuefeng Xu, Yao Xiao, yareyaredesuyo, Zachary Vealey, Ziad Amerr