Version 0.22

Eine kurze Beschreibung der wichtigsten Highlights dieser Version finden Sie unter Release Highlights für scikit-learn 0.22.

Legende für Changelogs

• Hauptmerkmal etwas Großes, das Sie vorher nicht tun konnten.

• Merkmal etwas, das Sie vorher nicht tun konnten.

• Effizienz Ein bestehendes Merkmal erfordert nun möglicherweise weniger Rechenleistung oder Speicher.

• Verbesserung eine sonstige kleinere Verbesserung.

• Korrektur Etwas, das zuvor nicht wie dokumentiert – oder nach vernünftigen Erwartungen – funktionierte, sollte nun funktionieren.

• API-Änderung Sie müssen Ihren Code ändern, um in Zukunft die gleiche Wirkung zu erzielen; oder ein Merkmal wird in Zukunft entfernt.

Version 0.22.2.post1

3. März 2020

Das Release 0.22.2.post1 enthält eine Korrektur der Paketierung für die Quellverteilung, aber der Inhalt der Pakete ist ansonsten identisch mit dem Inhalt der Wheels der Version 0.22.2 (ohne den Suffix .post1). Beide enthalten die folgenden Änderungen.

Änderungsprotokoll

sklearn.impute

• Effizienz Reduzierung des asymptotischen Speicherverbrauchs von impute.KNNImputer durch Aufteilung der paarweisen Distanzberechnung in Chunks. #16397 von Joel Nothman.

sklearn.metrics

• Korrektur Ein Fehler in metrics.plot_roc_curve wurde behoben, bei dem der Name des Schätzers im metrics.RocCurveDisplay anstelle des Parameters name übergeben wurde. Dies führte zu einer anderen Darstellung, wenn metrics.RocCurveDisplay.plot bei nachfolgenden Aufrufen aufgerufen wurde. #16500 von Guillaume Lemaitre.

• Korrektur Ein Fehler in metrics.plot_precision_recall_curve wurde behoben, bei dem der Name des Schätzers im metrics.PrecisionRecallDisplay anstelle des Parameters name übergeben wurde. Dies führte zu einer anderen Darstellung, wenn metrics.PrecisionRecallDisplay.plot bei nachfolgenden Aufrufen aufgerufen wurde. #16505 von Guillaume Lemaitre.

sklearn.neighbors

• Korrektur Ein Fehler wurde behoben, der eine Liste von Arrays in ein 2D-Objekt-Array statt in ein 1D-Array mit NumPy-Arrays umwandelte. Dieser Fehler beeinträchtigte neighbors.NearestNeighbors.radius_neighbors. #16076 von Guillaume Lemaitre und Alex Shacked.

Version 0.22.1

2. Januar 2020

Dies ist ein Bugfix-Release, um hauptsächlich einige Paketierungsprobleme in Version 0.22.0 zu beheben. Es enthält auch kleinere Dokumentationsverbesserungen und einige Fehlerbehebungen.

Änderungsprotokoll

sklearn.cluster

• Korrektur cluster.KMeans mit algorithm="elkan" verwendet nun das gleiche Abbruchkriterium wie mit dem Standard-Algorithmus algorithm="full". #15930 von @inder128.

sklearn.inspection

• Korrektur inspection.permutation_importance gibt dieselben importances zurück, wenn ein random_state für n_jobs=1 oder n_jobs>1 angegeben wird, sowohl mit Shared-Memory-Backends (Thread-Sicherheit) als auch mit isolierten Memory-, Prozess-basierten Backends. Vermeidet auch das Umwandeln der Daten in den Objekt-Datentyp und vermeidet Lesefehler bei großen DataFrames mit n_jobs>1, wie in #15810 berichtet. Follow-up von #15898 von Shivam Gargsya. #15933 von Guillaume Lemaitre und Olivier Grisel.

• Korrektur inspection.plot_partial_dependence und inspection.PartialDependenceDisplay.plot prüfen nun konsistent die Anzahl der übergebenen Achsen. #15760 von Thomas Fan.

sklearn.metrics

• Korrektur metrics.plot_confusion_matrix löst nun einen Fehler aus, wenn normalize ungültig ist. Zuvor lief es ohne Normalisierung problemlos durch. #15888 von Hanmin Qin.

• Korrektur metrics.plot_confusion_matrix färbt nun die Beschriftungsfarbe korrekt, um den Kontrast zu ihrem Hintergrund zu maximieren. #15936 von Thomas Fan und @DizietAsahi.

• Korrektur metrics.classification_report ignoriert nicht mehr den Wert des Schlüsselwortarguments zero_division. #15879 von Bibhash Chandra Mitra.

• Korrektur Ein Fehler in metrics.plot_confusion_matrix wurde behoben, um den Parameter values_format korrekt an den metrics.ConfusionMatrixDisplay plot()-Aufruf zu übergeben. #15937 von Stephen Blystone.

sklearn.model_selection

• Korrektur model_selection.GridSearchCV und model_selection.RandomizedSearchCV akzeptieren skalare Werte, die in fit_params übergeben werden. Die Änderung in 0.22 brach die Abwärtskompatibilität. #15863 von Adrin Jalali und Guillaume Lemaitre.

sklearn.naive_bayes

• Korrektur Der Dekorator abstractmethod für die Methode _check_X in naive_bayes.BaseNB wurde entfernt, da er nachfolgende Projekte, die von dieser veralteten öffentlichen Basisklasse erben, brechen konnte. #15996 von Brigitta Sipőcz.

sklearn.preprocessing

• Korrektur preprocessing.QuantileTransformer garantiert nun, dass das Attribut quantiles_ vollständig in nicht abnehmender Reihenfolge sortiert ist. #15751 von Tirth Patel.

sklearn.semi_supervised

• Korrektur semi_supervised.LabelPropagation und semi_supervised.LabelSpreading erlauben nun eine aufrufbare Kernel-Funktion, um eine spärliche Gewichtungsmatrix zurückzugeben. #15868 von Niklas Smedemark-Margulies.

sklearn.utils

• Korrektur utils.check_array konvertiert nun korrekt Pandas DataFrames mit booleschen Spalten in Floats. #15797 von Thomas Fan.

• Korrektur utils.validation.check_is_fitted akzeptiert nun wieder ein explizites Argument attributes, um spezifische Attribute als explizite Marker eines gefitteten Schätzers zu prüfen. Wenn keine expliziten attributes angegeben werden, werden nur die Attribute, die mit einem Unterstrich enden und nicht mit doppelten Unterstrichen beginnen, als "fitted"-Marker verwendet. Das Argument all_or_any ist ebenfalls nicht mehr veraltet. Diese Änderung wurde vorgenommen, um einige Abwärtskompatibilitäten mit dem Verhalten dieses Dienstprogramms in Version 0.21 wiederherzustellen. #15947 von Thomas Fan.

Version 0.22.0

3. Dezember 2019

Website-Aktualisierung

Unsere Website wurde überarbeitet und erhielt ein frisches neues Aussehen. #14849 von Thomas Fan.

Klare Definition der öffentlichen API

Scikit-learn hat eine öffentliche API und eine private API.

Wir tun unser Bestes, um die öffentliche API nicht zu brechen und nur abwärtskompatible Änderungen einzuführen, die keine Benutzeraktion erfordern. Wenn dies jedoch nicht möglich ist, unterliegt jede Änderung an der öffentlichen API einem Deprecationszyklus von zwei Minor-Versionen. Die private API ist nicht öffentlich dokumentiert und unterliegt keinem Deprecationszyklus, daher sollten sich Benutzer nicht auf ihre Stabilität verlassen.

Eine Funktion oder ein Objekt ist öffentlich, wenn es in der API-Referenz dokumentiert ist und wenn es mit einem Importpfad ohne führende Unterstriche importiert werden kann. Zum Beispiel ist sklearn.pipeline.make_pipeline öffentlich, während sklearn.pipeline._name_estimators privat ist. sklearn.ensemble._gb.BaseEnsemble ist ebenfalls privat, da das gesamte Modul _gb privat ist.

Bis Version 0.22 waren einige Tools de facto öffentlich (kein führender Unterstrich), obwohl sie von Anfang an privat hätten sein sollen. In Version 0.22 wurden diese Tools korrekt privat gemacht und der öffentliche API-Bereich wurde bereinigt. Außerdem ist der Import aus den meisten Untermodulen nun veraltet: Sie sollten z. B. from sklearn.cluster import Birch verwenden, anstatt from sklearn.cluster.birch import Birch (in der Praxis wurde birch.py nach _birch.py verschoben).

Hinweis

Alle Werkzeuge in der öffentlichen API sollten in der API-Referenz dokumentiert sein. Wenn Sie ein öffentliches Werkzeug (ohne führenden Unterstrich) finden, das nicht in der API-Referenz enthalten ist, bedeutet dies, dass es entweder privat oder dokumentiert sein sollte. Bitte lassen Sie es uns wissen, indem Sie ein Issue eröffnen!

Diese Arbeit wurde in Issue 9250 und Issue 12927 verfolgt.

Deprecations: ab sofort FutureWarning verwenden

Beim Deprecaten eines Features löste scikit-learn in früheren Versionen eine DeprecationWarning aus. Da DeprecationWarnings von Python standardmäßig nicht angezeigt werden, musste scikit-learn auf einen benutzerdefinierten Warnfilter zurückgreifen, um die Warnungen immer anzuzeigen. Dieser Filter konnte manchmal mit benutzerdefinierten Warnfiltern der Benutzer in Konflikt geraten.

Ab Version 0.22 zeigt scikit-learn FutureWarnings für Deprecations an, wie von der Python-Dokumentation empfohlen. FutureWarnings werden von Python standardmäßig immer angezeigt, sodass der benutzerdefinierte Filter entfernt wurde und scikit-learn die Benutzerfilter nicht mehr beeinträchtigt. #15080 von Nicolas Hug.

Geänderte Modelle

Die folgenden Schätzer und Funktionen können, wenn sie mit denselben Daten und Parametern angepasst werden, andere Modelle als in der vorherigen Version ergeben. Dies geschieht häufig aufgrund von Änderungen in der Modellierungslogik (Fehlerbehebungen oder Verbesserungen) oder in zufälligen Stichprobenverfahren.

• cluster.KMeans mit n_jobs=1. Korrektur

• decomposition.SparseCoder, decomposition.DictionaryLearning und decomposition.MiniBatchDictionaryLearning Korrektur

• decomposition.SparseCoder mit algorithm='lasso_lars' Korrektur

• decomposition.SparsePCA, bei der normalize_components aufgrund von Deprecation keine Wirkung hatte.

• ensemble.HistGradientBoostingClassifier und ensemble.HistGradientBoostingRegressor Korrektur , Feature , Verbesserung .

• impute.IterativeImputer, wenn X Merkmale ohne fehlende Werte hat. Feature

• linear_model.Ridge, wenn X spärlich ist. Korrektur

• model_selection.StratifiedKFold und jede Verwendung von cv=int mit einem Klassifikator. Korrektur

• cross_decomposition.CCA bei Verwendung von scipy >= 1.3 Korrektur

Details sind in der folgenden Changelog aufgeführt.

(Obwohl wir uns bemühen, Benutzer durch die Bereitstellung dieser Informationen besser zu informieren, können wir keine Vollständigkeit dieser Liste garantieren.)

Changelog

sklearn.base

• API-Änderung Ab Version 0.24 löst base.BaseEstimator.get_params einen AttributeError aus, anstatt None für Parameter zurückzugeben, die im Konstruktor des Schätzers vorhanden sind, aber nicht als Attribute der Instanz gespeichert sind. #14464 von Joel Nothman.

sklearn.calibration

• Korrektur Ein Fehler wurde behoben, der dazu führte, dass calibration.CalibratedClassifierCV fehlschlug, wenn ein sample_weight Parameter vom Typ list übergeben wurde (falls sample_weights vom umschlossenen Schätzer nicht unterstützt wurden). #13575 von William de Vazelhes.

sklearn.cluster

• Feature cluster.SpectralClustering akzeptiert nun einen vordefinierten spärlichen Nachbarschaftsgraphen als Eingabe. #10482 von Tom Dupre la Tour und Kumar Ashutosh.

• Verbesserung cluster.SpectralClustering akzeptiert nun einen Parameter n_components. Dieser Parameter erweitert die Funktionalität der Klasse SpectralClustering, um mit cluster.spectral_clustering übereinzustimmen. #13726 von Shuzhe Xiao.

• Korrektur Ein Fehler wurde behoben, bei dem cluster.KMeans inkonsistente Ergebnisse zwischen n_jobs=1 und n_jobs>1 aufgrund der Behandlung des Zufallszustands lieferte. #9288 von Bryan Yang.

• Korrektur Ein Fehler wurde behoben, bei dem der Algorithmus elkan in cluster.KMeans aufgrund von Integer-Index-Überläufen einen Segmentation Fault bei großen Arrays verursachte. #15057 von Vladimir Korolev.

• Korrektur MeanShift akzeptiert nun einen max_iter mit einem Standardwert von 300, anstatt immer den Standardwert 300 zu verwenden. Außerdem wird nun ein n_iter_ exponiert, das die maximale Anzahl von Iterationen angibt, die für jeden Seed durchgeführt wurden. #15120 von Adrin Jalali.

• Korrektur cluster.AgglomerativeClustering und cluster.FeatureAgglomeration lösen nun einen Fehler aus, wenn affinity='cosine' und X Stichproben enthält, die alle Null sind. #7943 von @mthorrell.

sklearn.compose

• Feature Fügt compose.make_column_selector hinzu, das mit compose.ColumnTransformer verwendet wird, um DataFrame-Spalten basierend auf Name und Datentyp auszuwählen. #12303 von Thomas Fan.

• Korrektur Ein Fehler in compose.ColumnTransformer wurde behoben, der die richtigen Spalten nicht auswählte, wenn eine boolesche Liste verwendet wurde, mit NumPy älter als 1.12. #14510 von Guillaume Lemaitre.

• Korrektur Ein Fehler in compose.TransformedTargetRegressor wurde behoben, der **fit_params nicht an den zugrunde liegenden Regressor weitergab. #14890 von Miguel Cabrera.

• Korrektur Der compose.ColumnTransformer erfordert nun, dass die Anzahl der Merkmale zwischen fit und transform konsistent ist. Eine FutureWarning wird nun ausgelöst, und dies wird in 0.24 einen Fehler verursachen. Wenn die Anzahl der Merkmale nicht konsistent ist und negative Indizierung verwendet wird, wird ein Fehler ausgelöst. #14544 von Adrin Jalali.

sklearn.cross_decomposition

• Feature cross_decomposition.PLSCanonical und cross_decomposition.PLSRegression verfügen über eine neue Funktion inverse_transform, um Daten in den ursprünglichen Raum zu transformieren. #15304 von Jaime Ferrando Huertas.

• Verbesserung decomposition.KernelPCA prüft nun ordnungsgemäß die vom Solver gefundenen Eigenwerte auf numerische Probleme oder Konditionierungsprobleme. Dies gewährleistet die Konsistenz der Ergebnisse über Solver hinweg (unterschiedliche Optionen für eigen_solver), einschließlich approximativer Solver wie 'randomized' und 'lobpcg' (siehe #12068). #12145 von Sylvain Marié

• Korrektur Ein Fehler wurde behoben, bei dem cross_decomposition.PLSCanonical und cross_decomposition.PLSRegression einen Fehler auslösten, wenn sie mit einer Zielmatrix Y gefittet wurden, in der die erste Spalte konstant war. #13609 von Camila Williamson.

• Korrektur cross_decomposition.CCA liefert nun die gleichen Ergebnisse mit scipy 1.3 und früheren scipy-Versionen. #15661 von Thomas Fan.

sklearn.datasets

• Feature datasets.fetch_openml unterstützt nun heterogene Daten mit Pandas, indem as_frame=True gesetzt wird. #13902 von Thomas Fan.

• Feature datasets.fetch_openml enthält nun die target_names in der zurückgegebenen Bunch. #15160 von Thomas Fan.

• Verbesserung Der Parameter return_X_y wurde zu datasets.fetch_20newsgroups und datasets.fetch_olivetti_faces hinzugefügt. #14259 von Sourav Singh.

• Verbesserung Der Parameter weights wurde zu datasets.make_classification hinzugefügt, sodass nun array-artige Werte (d. h. Listen oder NumPy-Arrays) anstelle von nur Listen akzeptiert werden. #14764 von Cat Chenal.

• Verbesserung Der Parameter normalize wurde hinzugefügt zu

  datasets.fetch_20newsgroups_vectorized. #14740 von Stéphan Tulkens

• Korrektur Ein Fehler wurde behoben, bei dem datasets.fetch_openml ein OpenML-Datenset, das ein ignoriertes Merkmal enthielt, nicht laden konnte. #14623 von Sarra Habchi.

sklearn.decomposition

• Effizienz decomposition.NMF mit solver="mu", das auf spärliche Eingabematrizen gefittet wurde, verwendet nun Batching, um die kurzzeitige Zuweisung eines Arrays der Größe (#Nicht-Null-Elemente, n_components) zu vermeiden. #15257 von Mart Willocx.

• Enhancement decomposition.dict_learning und decomposition.dict_learning_online akzeptieren nun method_max_iter und leiten es an decomposition.sparse_encode weiter. #12650 von Adrin Jalali.

• Enhancement decomposition.SparseCoder, decomposition.DictionaryLearning und decomposition.MiniBatchDictionaryLearning nehmen nun einen Parameter transform_max_iter entgegen und leiten ihn entweder an decomposition.dict_learning oder decomposition.sparse_encode weiter. #12650 von Adrin Jalali.

• Enhancement decomposition.IncrementalPCA akzeptiert nun dünne Matrizen als Eingabe und wandelt sie in Stapeln in dichte um, wodurch die Notwendigkeit entfällt, die gesamte dichte Matrix auf einmal zu speichern. #13960 von Scott Gigante.

• Fix decomposition.sparse_encode leitet nun max_iter an den zugrundeliegenden linear_model.LassoLars weiter, wenn algorithm='lasso_lars' ist. #12650 von Adrin Jalali.

sklearn.dummy

• Fix dummy.DummyClassifier behandelt nun die Überprüfung der Existenz der bereitgestellten Konstanten in Multi-Output-Fällen. #14908 von Martina G. Vilas.

• API Change Der Standardwert des Parameters strategy in dummy.DummyClassifier ändert sich von 'stratified' in Version 0.22 zu 'prior' in 0.24. Ein FutureWarning wird ausgegeben, wenn der Standardwert verwendet wird. #15382 von Thomas Fan.

• API Change Das Attribut outputs_2d_ ist in dummy.DummyClassifier und dummy.DummyRegressor veraltet. Es entspricht n_outputs > 1. #14933 von Nicolas Hug

sklearn.ensemble

• Major Feature ensemble.StackingClassifier und ensemble.StackingRegressor wurden hinzugefügt, um Prädiktoren mithilfe eines finalen Klassifikators oder Regressors zu stapeln. #11047 von Guillaume Lemaitre und Caio Oliveira und #15138 von Jon Cusick..

• Major Feature Es gab viele Verbesserungen an ensemble.HistGradientBoostingClassifier und ensemble.HistGradientBoostingRegressor

  • Feature Schätzer unterstützen nun nativ dichte Daten mit fehlenden Werten sowohl für das Training als auch für die Vorhersage. Sie unterstützen auch unendliche Werte. #13911 und #14406 von Nicolas Hug, Adrin Jalali und Olivier Grisel.

  • Feature Schätzer haben nun einen zusätzlichen Parameter warm_start, der das Warm-Starten ermöglicht. #14012 von Johann Faouzi.

  • Feature inspection.partial_dependence und inspection.plot_partial_dependence unterstützen nun die schnelle 'recursion'-Methode für beide Schätzer. #13769 von Nicolas Hug.

  • Enhancement Für ensemble.HistGradientBoostingClassifier wird nun der Trainings-Loss oder Score auf einem klassenweisen stratifizierten Teilsample überwacht, um die Klassenbalance des ursprünglichen Trainingsdatensatzes zu erhalten. #14194 von Johann Faouzi.

  • Enhancement ensemble.HistGradientBoostingRegressor unterstützt nun den 'least_absolute_deviation'-Loss. #13896 von Nicolas Hug.

  • Fix Schätzer binne nun die Trainings- und Validierungsdaten separat, um jegliche Datenlecks zu vermeiden. #13933 von Nicolas Hug.

  • Fix Ein Fehler wurde behoben, bei dem das vorzeitige Stoppen mit String-Zielen fehlschlug. #14710 von Guillaume Lemaitre.

  • Fix ensemble.HistGradientBoostingClassifier löst nun einen Fehler aus, wenn der categorical_crossentropy-Loss für ein binäres Klassifikationsproblem angegeben wird. #14869 von Adrin Jalali.

  Beachten Sie, dass Pickles aus 0.21 in 0.22 nicht funktionieren werden.

• Enhancement Die Hinzufügung des Arguments max_samples ermöglicht die Begrenzung der Größe von Bootstrap-Samples auf weniger als die Größe des Datensatzes. Hinzugefügt zu ensemble.RandomForestClassifier, ensemble.RandomForestRegressor, ensemble.ExtraTreesClassifier, ensemble.ExtraTreesRegressor. #14682 von Matt Hancock und #5963 von Pablo Duboue.

• Fix ensemble.VotingClassifier.predict_proba wird nicht mehr vorhanden sein, wenn voting='hard' ist. #14287 von Thomas Fan.

• Fix Das Attribut named_estimators_ in ensemble.VotingClassifier und ensemble.VotingRegressor ordnet nun korrekt zu fallen gelassenen Schätzern. Zuvor war die Zuordnung von named_estimators_ falsch, wenn einer der Schätzer fallen gelassen wurde. #15375 von Thomas Fan.

• Fix utils.estimator_checks.check_estimator wird nun standardmäßig für ensemble.VotingClassifier und ensemble.VotingRegressor ausgeführt. Dies führt zur Behebung von Problemen bezüglich der Formkonsistenz während predict, die fehlschlugen, wenn die zugrundeliegenden Schätzer keine konsistenten Array-Dimensionen ausgaben. Beachten Sie, dass dies zukünftig durch Refactoring der gemeinsamen Tests ersetzt werden sollte. #14305 von Guillaume Lemaitre.

• Fix ensemble.AdaBoostClassifier berechnet Wahrscheinlichkeiten basierend auf der Entscheidungskennlinie, wie in der Literatur. Daher ergeben predict und predict_proba konsistente Ergebnisse. #14114 von Guillaume Lemaitre.

• Fix Stacking- und Voting-Schätzer stellen nun sicher, dass ihre zugrundeliegenden Schätzer entweder alle Klassifikatoren oder alle Regressoren sind. ensemble.StackingClassifier, ensemble.StackingRegressor, und ensemble.VotingClassifier und ensemble.VotingRegressor geben nun konsistente Fehlermeldungen aus. #15084 von Guillaume Lemaitre.

• Fix ensemble.AdaBoostRegressor, bei dem der Loss durch das Maximum der Samples mit nicht-null Gewichten normalisiert werden sollte. #14294 von Guillaume Lemaitre.

• API Change presort ist nun in ensemble.GradientBoostingClassifier und ensemble.GradientBoostingRegressor veraltet und der Parameter hat keine Auswirkung mehr. Benutzern wird empfohlen, stattdessen ensemble.HistGradientBoostingClassifier und ensemble.HistGradientBoostingRegressor zu verwenden. #14907 von Adrin Jalali.

sklearn.feature_extraction

• Enhancement Eine Warnung wird nun ausgegeben, wenn eine Parameterwahl dazu führt, dass ein anderer Parameter bei Aufruf der fit()-Methode für feature_extraction.text.HashingVectorizer, feature_extraction.text.CountVectorizer und feature_extraction.text.TfidfVectorizer ungenutzt bleibt. #14602 von Gaurav Chawla.

• Fix Funktionen, die von build_preprocessor und build_analyzer von feature_extraction.text.VectorizerMixin erstellt wurden, können nun gepickelt werden. #14430 von Dillon Niederhut.

• Fix feature_extraction.text.strip_accents_unicode entfernt nun korrekt Akzente aus Strings, die in NFKD-normalisierter Form vorliegen. #15100 von Daniel Grady.

• Fix Ein Fehler wurde behoben, der dazu führte, dass feature_extraction.DictVectorizer während der transform-Operation eine OverflowError auslöste, wenn eine scipy.sparse-Matrix bei großen Eingabedaten erzeugt wurde. #15463 von Norvan Sahiner.

• API Change Der ungenutzte Parameter copy für feature_extraction.text.TfidfVectorizer.transform ist veraltet und wird in v0.24 entfernt. #14520 von Guillem G. Subies.

sklearn.feature_selection

• Enhancement Die folgenden sklearn.feature_selection-Schätzer wurden aktualisiert, um NaN/Inf-Werte in transform und fit zuzulassen: feature_selection.RFE, feature_selection.RFECV, feature_selection.SelectFromModel und feature_selection.VarianceThreshold. Beachten Sie, dass dies zu einem Fehler führt, wenn der zugrundeliegende Schätzer des Merkmalsselektors NaN/Inf nicht zulässt, aber die Merkmalsselektoren selbst erzwingen diese Einschränkung nicht mehr unnötigerweise. #11635 von Alec Peters.

• Fix Ein Fehler wurde behoben, bei dem feature_selection.VarianceThreshold mit threshold=0 aufgrund numerischer Instabilität keine konstanten Features entfernte, indem in diesem Fall der Bereich anstelle der Varianz verwendet wurde. #13704 von Roddy MacSween.

sklearn.gaussian_process

• Feature Gaußsche Prozessmodelle auf strukturierten Daten: gaussian_process.GaussianProcessRegressor und gaussian_process.GaussianProcessClassifier können nun eine Liste generischer Objekte (z. B. Zeichenketten, Bäume, Graphen usw.) als Argument X für ihre Trainings-/Vorhersagemethoden akzeptieren. Eine benutzerdefinierte Kernel sollte zur Berechnung der Kernel-Matrix zwischen den generischen Objekten bereitgestellt werden und von gaussian_process.kernels.GenericKernelMixin erben, um dem GPR/GPC-Modell mitzuteilen, dass es nicht-vektorielle Samples verarbeitet. #15557 von Yu-Hang Tang.

• Efficiency gaussian_process.GaussianProcessClassifier.log_marginal_likelihood und gaussian_process.GaussianProcessRegressor.log_marginal_likelihood akzeptieren nun ein Schlüsselwortargument clone_kernel=True. Wenn dies auf False gesetzt wird, wird das Kernel-Attribut modifiziert, kann aber zu einer Leistungsverbesserung führen. #14378 von Masashi Shibata.

• API Change Ab Version 0.24 wird gaussian_process.kernels.Kernel.get_params einen AttributeError auslösen, anstatt None für Parameter zurückzugeben, die im Konstruktor des Schätzers vorhanden, aber nicht als Attribute der Instanz gespeichert sind. #14464 von Joel Nothman.

sklearn.impute

• Major Feature impute.KNNImputer wurde hinzugefügt, um fehlende Werte mittels k-Nearest Neighbors zu imputieren. #12852 von Ashim Bhattarai und Thomas Fan und #15010 von Guillaume Lemaitre.

• Feature impute.IterativeImputer hat ein neues Flag skip_compute, das standardmäßig auf False gesetzt ist. Wenn es auf True gesetzt wird, überspringt es die Berechnung für Features, die während der Fit-Phase keine fehlenden Werte aufweisen. #13773 von Sergey Feldman.

• Efficiency impute.MissingIndicator.fit_transform vermeidet wiederholte Berechnungen der maskierten Matrix. #14356 von Harsh Soni.

• Fix impute.IterativeImputer funktioniert nun, wenn nur ein Feature vorhanden ist. Von Sergey Feldman.

• Fix Ein Fehler wurde in impute.IterativeImputer behoben, bei dem Features in der umgekehrten gewünschten Reihenfolge mit imputation_order entweder "ascending" oder "descending" imputiert wurden. #15393 von Venkatachalam N.

sklearn.inspection

• Major Feature inspection.permutation_importance wurde hinzugefügt, um die Bedeutung jedes Features in einem beliebigen trainierten Modell in Bezug auf eine gegebene Scoring-Funktion zu messen. #13146 von Thomas Fan.

• Feature inspection.partial_dependence und inspection.plot_partial_dependence unterstützen nun die schnelle 'recursion'-Methode für ensemble.HistGradientBoostingClassifier und ensemble.HistGradientBoostingRegressor. #13769 von Nicolas Hug.

• Enhancement inspection.plot_partial_dependence wurde erweitert, um die neue Visualisierungs-API zu unterstützen, die im Benutzerhandbuch beschrieben ist. #14646 von Thomas Fan.

• Enhancement inspection.partial_dependence akzeptiert nun Pandas DataFrames und pipeline.Pipeline, die compose.ColumnTransformer enthalten. Zusätzlich verwendet inspection.plot_partial_dependence standardmäßig die Spaltennamen, wenn ein DataFrame übergeben wird. #14028 und #15429 von Guillaume Lemaitre.

sklearn.kernel_approximation

• Fix Ein Fehler wurde behoben, bei dem kernel_approximation.Nystroem einen KeyError auslöste, wenn kernel="precomputed" verwendet wurde. #14706 von Venkatachalam N.

sklearn.linear_model

• Efficiency Der Solver für die logistische Regression 'liblinear' ist jetzt schneller und benötigt weniger Speicher. #14108, #14170, #14296 von Alex Henrie.

• Enhancement linear_model.BayesianRidge akzeptiert nun die Hyperparameter alpha_init und lambda_init, die verwendet werden können, um den Anfangswert des Maximierungsverfahrens in fit festzulegen. #13618 von Yoshihiro Uchida.

• Fix linear_model.Ridge passt nun korrekt einen Intercept an, wenn X dünnbesetzt (sparse) ist, solver="auto" und fit_intercept=True. Dies liegt daran, dass der Standard-Solver in dieser Konfiguration auf sparse_cg geändert wurde, der einen Intercept mit dünnbesetzten Daten anpassen kann. #13995 von Jérôme Dockès.

• Fix linear_model.Ridge mit solver='sag' akzeptiert nun F-orientierte und nicht-kontinuierliche Arrays und konvertiert sie anstatt fehlzuschlagen. #14458 von Guillaume Lemaitre.

• Fix linear_model.LassoCV erzwingt nicht mehr precompute=False beim Anpassen des endgültigen Modells. #14591 von Andreas Müller.

• Fix linear_model.RidgeCV und linear_model.RidgeClassifierCV bewerten nun korrekt, wenn cv=None ist. #14864 von Venkatachalam N.

• Fix Ein Fehler in linear_model.LogisticRegressionCV wurde behoben, bei dem das Attribut scores_, n_iter_ und coefs_paths_ bei penalty='elastic-net' eine falsche Reihenfolge aufwies. #15044 von Nicolas Hug.

• Fix linear_model.MultiTaskLassoCV und linear_model.MultiTaskElasticNetCV mit X vom Datentyp int und fit_intercept=True. #15086 von Alex Gramfort.

• Fix Der liblinear-Solver unterstützt nun sample_weight. #15038 von Guillaume Lemaitre.

sklearn.manifold

• Feature manifold.Isomap, manifold.TSNE und manifold.SpectralEmbedding akzeptieren nun einen vorberechneten, dünnbesetzten Nachbarschaftsgraphen als Eingabe. #10482 von Tom Dupre la Tour und Kumar Ashutosh.

• Feature Der Parameter n_jobs in manifold.TSNE wurde für die Mehrkernberechnung des Nachbarschaftsgraphen freigegeben. Dieser Parameter hat keinen Einfluss, wenn metric="precomputed" oder (metric="euclidean" und method="exact") gilt. #15082 von Roman Yurchak.

• Efficiency Effizienzverbesserungen für manifold.TSNE bei method="barnes-hut" durch parallele Berechnung des Gradienten. #13213 von Thomas Moreau

• Fix Ein Fehler wurde behoben, bei dem manifold.spectral_embedding (und damit manifold.SpectralEmbedding und cluster.SpectralClustering) falsche Eigenwerte mit eigen_solver='amg' berechnete, wenn n_samples < 5 * n_components. #14647 von Andreas Müller.

• Fix Ein Fehler in manifold.spectral_embedding, das in manifold.SpectralEmbedding und cluster.SpectralClustering verwendet wird, wurde behoben, bei dem eigen_solver="amg" manchmal zu einem LinAlgError führte. #13393 von Andrew Knyazev #13707 von Scott White

• API Change Das ungenutzte Attribut training_data_ in manifold.Isomap wurde als veraltet markiert. #10482 von Tom Dupre la Tour.

sklearn.metrics

• Major Feature metrics.plot_roc_curve wurde hinzugefügt, um ROC-Kurven zu plotten. Diese Funktion führt die im Benutzerhandbuch beschriebene Visualisierungs-API ein. #14357 von Thomas Fan.

• Feature Ein neuer Parameter zero_division wurde zu mehreren Klassifikationsmetriken hinzugefügt: metrics.precision_score, metrics.recall_score, metrics.f1_score, metrics.fbeta_score, metrics.precision_recall_fscore_support, metrics.classification_report. Dies ermöglicht die Festlegung des zurückgegebenen Werts für schlecht definierte Metriken. #14900 von Marc Torrellas Socastro.

• Feature Die Metrik metrics.pairwise.nan_euclidean_distances wurde hinzugefügt, die Euklidische Distanzen in Anwesenheit fehlender Werte berechnet. #12852 von Ashim Bhattarai und Thomas Fan.

• Feature Neue Ranking-Metriken metrics.ndcg_score und metrics.dcg_score wurden hinzugefügt, um Discounted Cumulative Gain und Normalized Discounted Cumulative Gain zu berechnen. #9951 von Jérôme Dockès.

• Feature metrics.plot_precision_recall_curve wurde hinzugefügt, um Präzisions-Recall-Kurven zu plotten. #14936 von Thomas Fan.

• Feature metrics.plot_confusion_matrix wurde hinzugefügt, um Konfusionsmatrizen zu plotten. #15083 von Thomas Fan.

• Feature Multiklassen-Unterstützung wurde zu metrics.roc_auc_score mit den entsprechenden Scorer-Namen 'roc_auc_ovr', 'roc_auc_ovo', 'roc_auc_ovr_weighted' und 'roc_auc_ovo_weighted' hinzugefügt. #12789 und #15274 von Kathy Chen, Mohamed Maskani und Thomas Fan.

• Feature Fügt metrics.mean_tweedie_deviance hinzu, die die Tweedie-Devianz für einen gegebenen power-Parameter misst. Ebenfalls hinzugefügt werden die mittlere Poisson-Devianz metrics.mean_poisson_deviance und die mittlere Gamma-Devianz metrics.mean_gamma_deviance, die Spezialfälle der Tweedie-Devianz für power=1 bzw. power=2 sind. #13938 von Christian Lorentzen und Roman Yurchak.

• Efficiency Leistung verbessert für metrics.pairwise.manhattan_distances im Fall von dünnbesetzten Matrizen. #15049 von Paolo Toccaceli <ptocca>.

• Enhancement Der Parameter beta in metrics.fbeta_score wurde aktualisiert, um die Werte Null und float('+inf') zu akzeptieren. #13231 von Dong-hee Na.

• Enhancement Parameter squared wurde in metrics.mean_squared_error hinzugefügt, um den mittleren quadratischen Fehler (Root Mean Squared Error) zurückzugeben. #13467 von Urvang Patel.

• Enhancement Ermöglicht die Berechnung von gemittelten Metriken im Falle keiner wahren Positiven. #14595 von Andreas Müller.

• Enhancement Multilabel-Metriken unterstützen nun Listen von Listen als Eingabe. #14865 Srivatsan Ramesh, Herilalaina Rakotoarison, Léonard Binet.

• Enhancement metrics.median_absolute_error unterstützt nun den Parameter multioutput. #14732 von Agamemnon Krasoulis.

• Enhancement 'roc_auc_ovr_weighted' und 'roc_auc_ovo_weighted' können nun als scoring-Parameter von Werkzeugen zur Modellauswahl verwendet werden. #14417 von Thomas Fan.

• Enhancement metrics.confusion_matrix akzeptiert einen Parameter normalize, der es ermöglicht, die Konfusionsmatrix nach Spalten, Zeilen oder insgesamt zu normalisieren. #15625 von Guillaume Lemaitre <glemaitre>.

• Fix Löst einen ValueError in metrics.silhouette_score aus, wenn eine vorberechnete Distanzmatrix nicht-null Diagonaleinträge enthält. #12258 von Stephen Tierney.

• API Change scoring="neg_brier_score" sollte anstelle von scoring="brier_score_loss" verwendet werden, was nun veraltet ist. #14898 von Stefan Matcovici.

sklearn.model_selection

• Efficiency Leistung bei multimetrischen Scorings in model_selection.cross_validate, model_selection.GridSearchCV und model_selection.RandomizedSearchCV verbessert. #14593 von Thomas Fan.

• Enhancement model_selection.learning_curve akzeptiert nun den Parameter return_times, der verwendet werden kann, um Berechnungszeiten abzurufen und die Skalierbarkeit des Modells zu plotten (siehe learning_curve Beispiel). #13938 von Hadrien Reboul.

• Enhancement model_selection.RandomizedSearchCV akzeptiert nun Listen von Parameterverteilungen. #14549 von Andreas Müller.

• Fix model_selection.StratifiedKFold wurde neu implementiert, um ein Problem zu beheben, bei dem ein Testdatensatz n_classes größer sein konnte als ein anderer. Die Testdatensätze sollten nun nahezu gleich groß sein. #14704 von Joel Nothman.

• Fix Das Attribut cv_results_ von model_selection.GridSearchCV und model_selection.RandomizedSearchCV enthält nun nur noch ungefittete Schätzer. Dies spart potenziell viel Speicher, da der Zustand der Schätzer nicht gespeichert wird. ##15096 von Andreas Müller.

• API Change model_selection.KFold und model_selection.StratifiedKFold geben nun eine Warnung aus, wenn random_state gesetzt ist, aber shuffle auf False steht. Dies wird in Version 0.24 einen Fehler verursachen.

sklearn.multioutput

• Fix multioutput.MultiOutputClassifier hat nun das Attribut classes_. #14629 von Agamemnon Krasoulis.

• Fix multioutput.MultiOutputClassifier hat nun predict_proba als Eigenschaft und kann mit hasattr überprüft werden. #15488 #15490 von Rebekah Kim

sklearn.naive_bayes

• Major Feature naive_bayes.CategoricalNB wurde hinzugefügt, der den kategorialen Naive Bayes-Klassifikator implementiert. #12569 von Tim Bicker und Florian Wilhelm.

sklearn.neighbors

• Major Feature neighbors.KNeighborsTransformer und neighbors.RadiusNeighborsTransformer wurden hinzugefügt, die einen Eingabedatensatz in einen dünnbesetzten Nachbarschaftsgraphen transformieren. Sie bieten feinere Kontrolle über die Berechnung von nächsten Nachbarn und ermöglichen ein einfaches Caching von Pipelines für mehrere Verwendungen. #10482 von Tom Dupre la Tour.

• Feature neighbors.KNeighborsClassifier, neighbors.KNeighborsRegressor, neighbors.RadiusNeighborsClassifier, neighbors.RadiusNeighborsRegressor und neighbors.LocalOutlierFactor akzeptieren nun einen vorberechneten, dünnbesetzten Nachbarschaftsgraphen als Eingabe. #10482 von Tom Dupre la Tour und Kumar Ashutosh.

• Feature neighbors.RadiusNeighborsClassifier unterstützt nun die Vorhersage von Wahrscheinlichkeiten durch die Verwendung von predict_proba und unterstützt weitere Outlier-Label-Optionen: 'most_frequent' oder verschiedene Outlier-Labels für Multi-Outputs. #9597 von Wenbo Zhao.

• Efficiency Effizienzverbesserungen für neighbors.RadiusNeighborsClassifier.predict. #9597 von Wenbo Zhao.

• Fix neighbors.KNeighborsRegressor löst jetzt einen Fehler aus, wenn metric='precomputed' und auf nicht-quadratische Daten trainiert wird. #14336 von Gregory Dexter.

sklearn.neural_network

• Feature Fügt den Parameter max_fun in neural_network.BaseMultilayerPerceptron, neural_network.MLPRegressor und neural_network.MLPClassifier hinzu, um die Kontrolle über die maximale Anzahl von Funktionsauswertungen zu geben, um keine Verbesserung der tol zu erzielen. #9274 von Daniel Perry.

sklearn.pipeline

• Enhancement pipeline.Pipeline unterstützt jetzt score_samples, wenn der finale Schätzer dies tut. #13806 von Anaël Beaugnon.

• Fix Die Methode fit in FeatureUnion akzeptiert jetzt fit_params, um sie an die zugrunde liegenden Transformer weiterzugeben. #15119 von Adrin Jalali.

• API Change None als Transformer ist nun in pipeline.FeatureUnion veraltet. Bitte verwenden Sie stattdessen 'drop'. #15053 von Thomas Fan.

sklearn.preprocessing

• Efficiency preprocessing.PolynomialFeatures ist nun schneller, wenn die Eingabedaten dicht sind. #13290 von Xavier Dupré.

• Enhancement Vermeidet unnötige Datenkopien beim Trainieren von Präprozessoren preprocessing.StandardScaler, preprocessing.MinMaxScaler, preprocessing.MaxAbsScaler, preprocessing.RobustScaler und preprocessing.QuantileTransformer, was zu einer leichten Leistungsverbesserung führt. #13987 von Roman Yurchak.

• Fix KernelCenterer löst nun einen Fehler aus, wenn auf nicht-quadratische Daten trainiert wird preprocessing.KernelCenterer #14336 von Gregory Dexter.

sklearn.model_selection

• Fix model_selection.GridSearchCV und model_selection.RandomizedSearchCV unterstützen nun die _pairwise-Eigenschaft, was einen Fehler während der Kreuzvalidierung für Schätzer mit paarweisen Eingaben (wie neighbors.KNeighborsClassifier, wenn metric auf „precomputed“ gesetzt ist) verhindert. #13925 von Isaac S. Robson und #15524 von Xun Tang.

sklearn.svm

• Enhancement svm.SVC und svm.NuSVC akzeptieren nun einen Parameter break_ties. Dieser Parameter führt dazu, dass predict die Unentschieden anhand der Konfidenzwerte von decision_function auflöst, wenn decision_function_shape='ovr' und die Anzahl der Zielklassen > 2 ist. #12557 von Adrin Jalali.

• Enhancement SVM-Schätzer lösen nun einen spezifischeren Fehler aus, wenn kernel='precomputed' und auf nicht-quadratische Daten trainiert wird. #14336 von Gregory Dexter.

• Fix svm.SVC, svm.SVR, svm.NuSVR und svm.OneClassSVM generierten ein ungültiges Modell, wenn sie negative oder Nullwerte für den Parameter sample_weight in der Methode fit() erhielten. Dieses Verhalten trat nur in einigen Grenzfallszenarien auf. Jetzt wird in diesen Fällen fit() mit einer Ausnahme fehlschlagen. #14286 von Alex Shacked.

• Fix Das Attribut n_support_ von svm.SVR und svm.OneClassSVM war zuvor nicht initialisiert und hatte die Größe 2. Es hat nun die Größe 1 mit dem korrekten Wert. #15099 von Nicolas Hug.

• Fix Ein Fehler in BaseLibSVM._sparse_fit wurde behoben, bei dem n_SV=0 einen ZeroDivisionError auslöste. #14894 von Danna Naser.

• Fix Der liblinear-Solver unterstützt nun sample_weight. #15038 von Guillaume Lemaitre.

sklearn.tree

• Feature Fügt minimale Kostenkomplexitätsbeschneidung, gesteuert durch ccp_alpha, zu tree.DecisionTreeClassifier, tree.DecisionTreeRegressor, tree.ExtraTreeClassifier, tree.ExtraTreeRegressor, ensemble.RandomForestClassifier, ensemble.RandomForestRegressor, ensemble.ExtraTreesClassifier, ensemble.ExtraTreesRegressor, ensemble.GradientBoostingClassifier und ensemble.GradientBoostingRegressor hinzu. #12887 von Thomas Fan.

• API Change presort ist nun in tree.DecisionTreeClassifier und tree.DecisionTreeRegressor veraltet und hat keine Auswirkung mehr. #14907 von Adrin Jalali.

• API Change Die Attribute classes_ und n_classes_ von tree.DecisionTreeRegressor sind nun veraltet. #15028 von Mei Guan, Nicolas Hug und Adrin Jalali.

sklearn.utils

• Feature check_estimator kann nun Prüfungen generieren, indem generate_only=True gesetzt wird. Zuvor wurde die Ausführung von check_estimator gestoppt, sobald die erste Prüfung fehlschlug. Mit generate_only=True können alle Prüfungen unabhängig voneinander ausgeführt werden und die fehlerhaften gemeldet werden. Lesen Sie mehr in Eigene Schätzer erstellen. #14381 von Thomas Fan.

• Feature Fügt einen pytest-spezifischen Decorator, parametrize_with_checks, hinzu, um Schätzerprüfungen für eine Liste von Schätzern zu parametrisieren. #14381 von Thomas Fan.

• Feature Eine neue Zufallsvariable, utils.fixes.loguniform, implementiert eine log-uniforme Zufallsvariable (z.B. zur Verwendung in RandomizedSearchCV). Zum Beispiel sind die Ergebnisse 1, 10 und 100 alle gleich wahrscheinlich für loguniform(1, 100). Siehe #11232 von Scott Sievert und Nathaniel Saul, und SciPy PR 10815.

• Enhancement utils.safe_indexing (jetzt veraltet) akzeptiert einen Parameter axis, um Array-ähnliche Strukturen über Zeilen und Spalten zu indizieren. Die Spaltenindizierung kann auf NumPy-Arrays, SciPy-Sparse-Matrizen und Pandas DataFrames angewendet werden. Eine weitere Refaktorierung wurde durchgeführt. #14035 und #14475 von Guillaume Lemaitre.

• Enhancement utils.extmath.safe_sparse_dot funktioniert zwischen 3D+ ndarrays und Sparse-Matrizen. #14538 von Jérémie du Boisberranger.

• Fix utils.check_array löst nun einen Fehler aus, anstatt NaN in Integer umzuwandeln. #14872 von Roman Yurchak.

• Fix utils.check_array erkennt nun numerische dtypes in Pandas DataFrames korrekt, was einen Fehler behebt, bei dem float32 unnötigerweise zu float64 hochgestuft wurde. #15094 von Andreas Müller.

• API Change Die folgenden Hilfsmittel sind veraltet und nun privat

  • choose_check_classifiers_labels

  • enforce_estimator_tags_y

  • mocking.MockDataFrame

  • mocking.CheckingClassifier

  • optimize.newton_cg

  • random.random_choice_csc

  • utils.choose_check_classifiers_labels

  • utils.enforce_estimator_tags_y

  • utils.optimize.newton_cg

  • utils.random.random_choice_csc

  • utils.safe_indexing

  • utils.mocking

  • utils.fast_dict

  • utils.seq_dataset

  • utils.weight_vector

  • utils.fixes.parallel_helper (entfernt)

  • Alle aus utils.testing außer all_estimators, das sich nun in utils befindet.

sklearn.isotonic

• Fix Behob einen Fehler, bei dem isotonic.IsotonicRegression.fit einen Fehler auslöste, wenn X.dtype == 'float32' und X.dtype != y.dtype. #14902 von Lucas.

Sonstiges

• Fix Portiert lobpcg aus SciPy, was einige Fehlerbehebungen implementiert, aber nur in Version 1.3+ verfügbar ist. #13609 und #14971 von Guillaume Lemaitre.

• API Change Scikit-learn konvertiert nun jede Eingabedatenstruktur, die ein Duck Array implementiert, in ein NumPy-Array (mittels __array__), um ein konsistentes Verhalten sicherzustellen, anstatt sich auf __array_function__ zu verlassen (siehe NEP 18). #14702 von Andreas Müller.

• API Change Ersetzt manuelle Prüfungen durch check_is_fitted. Fehler, die beim Verwenden eines nicht trainierten Schätzers auftreten, sind nun einheitlicher. #13013 von Agamemnon Krasoulis.

Änderungen an Schätzerprüfungen

Diese Änderungen betreffen hauptsächlich Bibliotheksentwickler.

• Schätzer werden nun aufgefordert, einen NotFittedError auszulösen, wenn predict oder transform vor fit aufgerufen wird; zuvor war ein AttributeError oder ValueError akzeptabel. #13013 von Agamemnon Krasoulis.

• Binär-only Klassifizierer werden nun in den Schätzerprüfungen unterstützt. Solche Klassifizierer müssen das Estimator-Tag binary_only=True haben. #13875 von Trevor Stephens.

• Schätzer werden aufgefordert, Eingabedaten (X, y, sample_weights) in ein numpy.ndarray zu konvertieren und niemals __array_function__ auf dem ursprünglichen Datentyp aufzurufen, der übergeben wird (siehe NEP 18). #14702 von Andreas Müller.

• Das Estimator-Tag requires_positive_X (für Modelle, die X als nicht-negativ erfordern) wird nun von utils.estimator_checks.check_estimator verwendet, um sicherzustellen, dass eine ordnungsgemäße Fehlermeldung ausgegeben wird, wenn X negative Einträge enthält. #14680 von Alex Gramfort.

• Prüfung hinzugefügt, dass paarweise Schätzer auf nicht-quadratische Daten Fehler auslösen #14336 von Gregory Dexter.

• Zwei gängige Multioutput-Schätzertests utils.estimator_checks.check_classifier_multioutput und utils.estimator_checks.check_regressor_multioutput hinzugefügt. #13392 von Rok Mihevc.

• Fix check_transformer_data_not_an_array zu Prüfungen hinzugefügt, die fehlten

• Fix Die Auflösung von Estimator-Tags folgt nun dem regulären MRO. Sie waren früher nur einmal überschreibbar. #14884 von Andreas Müller.

Code- und Dokumentationsbeitragende

Danke an alle, die seit Version 0.21 zur Wartung und Verbesserung des Projekts beigetragen haben, darunter

Aaron Alphonsus, Abbie Popa, Abdur-Rahmaan Janhangeer, abenbihi, Abhinav Sagar, Abhishek Jana, Abraham K. Lagat, Adam J. Stewart, Aditya Vyas, Adrin Jalali, Agamemnon Krasoulis, Alec Peters, Alessandro Surace, Alexandre de Siqueira, Alexandre Gramfort, alexgoryainov, Alex Henrie, Alex Itkes, alexshacked, Allen Akinkunle, Anaël Beaugnon, Anders Kaseorg, Andrea Maldonado, Andrea Navarrete, Andreas Mueller, Andreas Schuderer, Andrew Nystrom, Angela Ambroz, Anisha Keshavan, Ankit Jha, Antonio Gutierrez, Anuja Kelkar, Archana Alva, arnaudstiegler, arpanchowdhry, ashimb9, Ayomide Bamidele, Baran Buluttekin, barrycg, Bharat Raghunathan, Bill Mill, Biswadip Mandal, blackd0t, Brian G. Barkley, Brian Wignall, Bryan Yang, c56pony, camilaagw, cartman_nabana, catajara, Cat Chenal, Cathy, cgsavard, Charles Vesteghem, Chiara Marmo, Chris Gregory, Christian Lorentzen, Christos Aridas, Dakota Grusak, Daniel Grady, Daniel Perry, Danna Naser, DatenBergwerk, David Dormagen, deeplook, Dillon Niederhut, Dong-hee Na, Dougal J. Sutherland, DrGFreeman, Dylan Cashman, edvardlindelof, Eric Larson, Eric Ndirangu, Eunseop Jeong, Fanny, federicopisanu, Felix Divo, flaviomorelli, FranciDona, Franco M. Luque, Frank Hoang, Frederic Haase, g0g0gadget, Gabriel Altay, Gabriel do Vale Rios, Gael Varoquaux, ganevgv, gdex1, getgaurav2, Gideon Sonoiya, Gordon Chen, gpapadok, Greg Mogavero, Grzegorz Szpak, Guillaume Lemaitre, Guillem García Subies, H4dr1en, hadshirt, Hailey Nguyen, Hanmin Qin, Hannah Bruce Macdonald, Harsh Mahajan, Harsh Soni, Honglu Zhang, Hossein Pourbozorg, Ian Sanders, Ingrid Spielman, J-A16, jaehong park, Jaime Ferrando Huertas, James Hill, James Myatt, Jay, jeremiedbb, Jérémie du Boisberranger, jeromedockes, Jesper Dramsch, Joan Massich, Joanna Zhang, Joel Nothman, Johann Faouzi, Jonathan Rahn, Jon Cusick, Jose Ortiz, Kanika Sabharwal, Katarina Slama, kellycarmody, Kennedy Kang’ethe, Kensuke Arai, Kesshi Jordan, Kevad, Kevin Loftis, Kevin Winata, Kevin Yu-Sheng Li, Kirill Dolmatov, Kirthi Shankar Sivamani, krishna katyal, Lakshmi Krishnan, Lakshya KD, LalliAcqua, lbfin, Leland McInnes, Léonard Binet, Loic Esteve, loopyme, lostcoaster, Louis Huynh, lrjball, Luca Ionescu, Lutz Roeder, MaggieChege, Maithreyi Venkatesh, Maltimore, Maocx, Marc Torrellas, Marie Douriez, Markus, Markus Frey, Martina G. Vilas, Martin Oywa, Martin Thoma, Masashi SHIBATA, Maxwell Aladago, mbillingr, m-clare, Meghann Agarwal, m.fab, Micah Smith, miguelbarao, Miguel Cabrera, Mina Naghshhnejad, Ming Li, motmoti, mschaffenroth, mthorrell, Natasha Borders, nezar-a, Nicolas Hug, Nidhin Pattaniyi, Nikita Titov, Nishan Singh Mann, Nitya Mandyam, norvan, notmatthancock, novaya, nxorable, Oleg Stikhin, Oleksandr Pavlyk, Olivier Grisel, Omar Saleem, Owen Flanagan, panpiort8, Paolo, Paolo Toccaceli, Paresh Mathur, Paula, Peng Yu, Peter Marko, pierretallotte, poorna-kumar, pspachtholz, qdeffense, Rajat Garg, Raphaël Bournhonesque, Ray, Ray Bell, Rebekah Kim, Reza Gharibi, Richard Payne, Richard W, rlms, Robert Juergens, Rok Mihevc, Roman Feldbauer, Roman Yurchak, R Sanjabi, RuchitaGarde, Ruth Waithera, Sackey, Sam Dixon, Samesh Lakhotia, Samuel Taylor, Sarra Habchi, Scott Gigante, Scott Sievert, Scott White, Sebastian Pölsterl, Sergey Feldman, SeWook Oh, she-dares, Shreya V, Shubham Mehta, Shuzhe Xiao, SimonCW, smarie, smujjiga, Sönke Behrends, Soumirai, Sourav Singh, stefan-matcovici, steinfurt, Stéphane Couvreur, Stephan Tulkens, Stephen Cowley, Stephen Tierney, SylvainLan, th0rwas, theoptips, theotheo, Thierno Ibrahima DIOP, Thomas Edwards, Thomas J Fan, Thomas Moreau, Thomas Schmitt, Tilen Kusterle, Tim Bicker, Timsaur, Tim Staley, Tirth Patel, Tola A, Tom Augspurger, Tom Dupré la Tour, topisan, Trevor Stephens, ttang131, Urvang Patel, Vathsala Achar, veerlosar, Venkatachalam N, Victor Luzgin, Vincent Jeanselme, Vincent Lostanlen, Vladimir Korolev, vnherdeiro, Wenbo Zhao, Wendy Hu, willdarnell, William de Vazelhes, wolframalpha, xavier dupré, xcjason, x-martian, xsat, xun-tang, Yinglr, yokasre, Yu-Hang “Maxin” Tang, Yulia Zamriy, Zhao Feng