Version 0.24

Eine kurze Beschreibung der wichtigsten Highlights des Releases finden Sie unter Release Highlights für scikit-learn 0.24.

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 0.24.2

April 2021

Änderungsprotokoll

sklearn.compose

• Fix compose.ColumnTransformer.get_feature_names ruft get_feature_names nicht für Transformer mit leerer Spaltenauswahl auf. #19579 von Thomas Fan.

sklearn.cross_decomposition

• Fix Eine Regression in cross_decomposition.CCA behoben. #19646 von Thomas Fan.

• Fix cross_decomposition.PLSRegression löst eine Warnung bei konstanten y-Residuen aus, anstatt eines StopIteration-Fehlers. #19922 von Thomas Fan.

sklearn.decomposition

• Fix Ein Fehler in der inverse_transform von decomposition.KernelPCA behoben. #19732 von Kei Ishikawa.

sklearn.ensemble

• Fix Ein Fehler in ensemble.HistGradientBoostingRegressor fit mit dem Parameter sample_weight und der Verlustfunktion least_absolute_deviation behoben. #19407 von Vadim Ushtanit.

sklearn.feature_extraction

• Fix Ein Fehler behoben, um mehrere Strings für eine Kategorie zu unterstützen, wenn sparse=False in feature_extraction.DictVectorizer verwendet wird. #19982 von Guillaume Lemaitre.

sklearn.gaussian_process

• Fix Die explizite Bildung der inversen Kovarianzmatrix in gaussian_process.GaussianProcessRegressor vermieden, wenn die Ausgabe der Standardabweichung eingestellt ist. Bei bestimmten Kovarianzmatrizen ist diese Umkehrung instabil zu berechnen. Das Aufrufen des Cholesky-Lösers mildert dieses Problem bei der Berechnung ab. #19939 von Ian Halvic.

• Fix Division durch Null vermieden, wenn ein konstantes Ziel bei der Skalierung in gaussian_process.GaussianProcessRegressor aufgetreten ist. Dies lag an einer Standardabweichung von 0. Nun wird dieser Fall erkannt und die Standardabweichung auf 1 gesetzt, was eine Division durch Null und damit das Vorhandensein von NaN-Werten im normalisierten Ziel vermeidet. #19703 von @sobkevich, Boris Villazón-Terrazas und Alexandr Fonari.

sklearn.linear_model

• Fix : Ein Fehler in linear_model.LogisticRegression behoben: Das Objekt sample_weight wird nicht mehr verändert. #19182 von Yosuke KOBAYASHI.

sklearn.metrics

• Fix metrics.top_k_accuracy_score unterstützt jetzt Multiclass-Probleme, bei denen nur zwei Klassen in y_true vorkommen und alle Klassen in labels angegeben sind. #19721 von Joris Clement.

sklearn.model_selection

• Fix model_selection.RandomizedSearchCV und model_selection.GridSearchCV zeigen jetzt korrekt den Score für einzelne Metriken und verbose > 2 an. #19659 von Thomas Fan.

• Fix Einige Werte im Attribut cv_results_ von model_selection.HalvingRandomSearchCV und model_selection.HalvingGridSearchCV wurden nicht korrekt in Numpy-Arrays konvertiert. #19211 von Nicolas Hug.

• Fix Die Methode fit der sukzessiven Halbierungs-Parametersuche (model_selection.HalvingGridSearchCV und model_selection.HalvingRandomSearchCV) behandelt nun den Parameter groups korrekt. #19847 von Xiaoyu Chai.

sklearn.multioutput

• Fix multioutput.MultiOutputRegressor funktioniert jetzt mit Estimatoren, die predict während des Fits dynamisch definieren, wie z.B. ensemble.StackingRegressor. #19308 von Thomas Fan.

sklearn.preprocessing

• Fix Validiert den Konstruktorparameter handle_unknown in preprocessing.OrdinalEncoder, um nur die Strategien 'error' und 'use_encoded_value' zuzulassen. #19234 von Guillaume Lemaitre <glemaitre>.

• Fix Korrigiert Encoder-Kategorien mit dtype='S' in preprocessing.OneHotEncoder und preprocessing.OrdinalEncoder. #19727 von Andrew Delong.

• Fix preprocessing.OrdinalEncoder.transform behandelt unbekannte Werte für String-Datentypen korrekt. #19888 von Thomas Fan.

• Fix Die Methode fit von preprocessing.OneHotEncoder.fit verändert den Parameter drop nicht mehr. #19924 von Thomas Fan.

sklearn.semi_supervised

• Fix NaN bei der Label-Propagierung in LabelPropagation vermeiden. #19271 von Zhaowei Wang.

sklearn.tree

• Fix Ein Fehler in fit von tree.BaseDecisionTree behoben, der unter bestimmten Bedingungen zu Segmentierungsfehlern führte. fit kopiert nun das Criterion-Objekt tief, um gemeinsame gleichzeitige Zugriffe zu verhindern. #19580 von Samuel Brice und Alex Adamson und Wil Yegelwel.

sklearn.utils

• Fix Besserer Umgang mit CSS, das von utils.estimator_html_repr bereitgestellt wird, indem der HTML-Darstellung CSS-IDs zugewiesen werden. #19417 von Thomas Fan.

Version 0.24.1

Januar 2021

Paketierung

Die scikit-learn-Wheels 0.24.0 funktionierten aufgrund von libomp nicht mit MacOS <1.15. Die Version von libomp, die zum Bauen der Wheels verwendet wurde, war zu neu für ältere macOS-Versionen. Dieses Problem wurde für scikit-learn-Wheels 0.24.1 behoben. Auf PyPI.org veröffentlichte scikit-learn-Wheels unterstützen nun offiziell macOS 10.13 und neuer.

Änderungsprotokoll

sklearn.metrics

• Fix Numerische Stabilitätsfehler, der in metrics.adjusted_mutual_info_score und metrics.mutual_info_score mit NumPy 1.20+ auftreten konnte, behoben. #19179 von Thomas Fan.

sklearn.semi_supervised

• Fix semi_supervised.SelfTrainingClassifier akzeptiert jetzt Meta-Estimators (z.B. ensemble.StackingClassifier). Die Validierung dieses Estimators erfolgt auf dem trainierten Estimator, sobald die Methode predict_proba bekannt ist. #19126 von Guillaume Lemaitre.

Version 0.24.0

Dezember 2020

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.

• Fix Das Verhalten von decomposition.KernelPCA ist nun konsistenter zwischen 32-Bit- und 64-Bit-Daten, wenn der Kernel kleine positive Eigenwerte hat.

• Fix decomposition.TruncatedSVD wird deterministisch, indem ein Parameter random_state verfügbar gemacht wird.

• Fix linear_model.Perceptron wenn penalty='elasticnet'.

• Fix Änderung der Zufallsstichprobenverfahren für die Zentrumsinitialisierung von cluster.KMeans.

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

• Fix base.BaseEstimator.get_params löst nun einen AttributeError aus, wenn ein Parameter nicht als Instanzattribut abgerufen werden kann. Zuvor wurde None zurückgegeben. #17448 von Juan Carlos Alfaro Jiménez.

sklearn.calibration

• Efficiency calibration.CalibratedClassifierCV.fit unterstützt nun die Parallelisierung über joblib.Parallel mit dem Argument n_jobs. #17107 von Julien Jerphanion.

• Enhancement Ermöglicht die Verwendung von calibration.CalibratedClassifierCV mit einem vorab trainierten pipeline.Pipeline, bei dem die Daten anfänglich nicht X als Array-ähnlich, Sparse-Matrix oder DataFrame sind. #17546 von Lucy Liu.

• Enhancement Fügt den Parameter ensemble zu calibration.CalibratedClassifierCV hinzu, der die Implementierung der Kalibrierung über ein Ensemble von Kalibratoren (aktuelle Methode) oder nur einen Kalibrator unter Verwendung aller Daten ermöglicht (ähnlich der integrierten Funktion von sklearn.svm-Estimators mit dem Parameter probabilities=True). #17856 von Lucy Liu und Andrea Esuli.

sklearn.cluster

• Enhancement cluster.AgglomerativeClustering hat einen neuen Parameter compute_distances. Wenn dieser auf True gesetzt ist, werden Abstände zwischen Clustern berechnet und im Attribut distances_ gespeichert, auch wenn der Parameter distance_threshold nicht verwendet wird. Dieser neue Parameter ist nützlich zur Erzeugung von Dendrogramm-Visualisierungen, verursacht aber einen rechnerischen und speicherintensiven Aufwand. #17984 von Michael Riedmann, Emilie Delattre und Francesco Casalegno.

• Enhancement cluster.SpectralClustering und cluster.spectral_clustering haben ein neues Schlüsselwortargument verbose. Wenn es auf True gesetzt ist, werden zusätzliche Meldungen angezeigt, die bei der Fehlersuche helfen können. #18052 von Sean O. Stalley.

• Enhancement cluster.kmeans_plusplus als öffentliche Funktion hinzugefügt. Die Initialisierung mit KMeans++ kann nun separat aufgerufen werden, um initiale Clusterzentroide zu generieren. #17937 von @g-walsh

• API Change Die Attribute counts_ und init_size_ von cluster.MiniBatchKMeans sind veraltet und werden in Version 1.1 (Umbenennung von 0.26) entfernt. #17864 von Jérémie du Boisberranger.

sklearn.compose

• Fix compose.ColumnTransformer überspringt Transformer, wenn der Spaltenselektor eine Liste von booleschen Werten ist, die False sind. #17616 von Thomas Fan.

• Fix compose.ColumnTransformer zeigt nun den Rest im Diagramm an. #18167 von Thomas Fan.

• Fix compose.ColumnTransformer erzwingt nun eine strenge Zählung und Reihenfolge der Spaltennamen zwischen fit und transform, indem es eine Fehlermeldung anstelle einer Warnung ausgibt, was dem Deprecation-Zyklus folgt. #18256 von Madhura Jayratne.

sklearn.covariance

• API Change cv_alphas_ wird zugunsten von cv_results_['alphas'] und grid_scores_ zugunsten von Split-Scores in cv_results_ in covariance.GraphicalLassoCV als veraltet erklärt. cv_alphas_ und grid_scores_ werden in Version 1.1 (Umbenennung von 0.26) entfernt. #16392 von Thomas Fan.

sklearn.cross_decomposition

• Fix Ein Fehler in cross_decomposition.PLSSVD behoben, der manchmal Komponenten in umgekehrter Reihenfolge der Wichtigkeit zurückgab. #17095 von Nicolas Hug.

• Fix Ein Fehler in cross_decomposition.PLSSVD, cross_decomposition.CCA und cross_decomposition.PLSCanonical behoben, was zu fehlerhaften Vorhersagen für est.transform(Y) führte, wenn die Trainingsdaten einzeln gezielt waren. #17095 von Nicolas Hug.

• Fix Erhöht die Stabilität von cross_decomposition.CCA #18746 von Thomas Fan.

• API Change Die Grenzen des Parameters n_components sind nun eingeschränkt

  • in [1, min(n_samples, n_features, n_targets)], für cross_decomposition.PLSSVD, cross_decomposition.CCA und cross_decomposition.PLSCanonical.

  • in [1, n_features] oder cross_decomposition.PLSRegression.

  Ein Fehler wird in Version 1.1 (Umbenennung von 0.26) ausgelöst. #17095 von Nicolas Hug.

• API Change Für cross_decomposition.PLSSVD, cross_decomposition.CCA und cross_decomposition.PLSCanonical wurden die Attribute x_scores_ und y_scores_ als veraltet markiert und werden in Version 1.1 (Umbenennung von 0.26) entfernt. Sie können durch Aufruf von transform auf die Trainingsdaten abgerufen werden. Das Attribut norm_y_weights wird ebenfalls entfernt. #17095 von Nicolas Hug.

• API Change Für cross_decomposition.PLSRegression, cross_decomposition.PLSCanonical, cross_decomposition.CCA und cross_decomposition.PLSSVD wurden die Attribute x_mean_, y_mean_, x_std_ und y_std_ als veraltet markiert und werden in Version 1.1 (Umbenennung von 0.26) entfernt. #18768 von Maren Westermann.

• Fix decomposition.TruncatedSVD wird durch die Verwendung von random_state deterministisch. Dies steuert die Initialisierung der Gewichte des zugrunde liegenden ARPACK-Solvers. :pr:` #18302` von Gaurav Desai und Ivan Panico.

sklearn.datasets

• Feature datasets.fetch_openml validiert nun die MD5-Checksumme von heruntergeladenen oder zwischengespeicherten ARFF-Dateien, um die Datenintegrität zu gewährleisten. #14800 von Shashank Singh und Joel Nothman.

• Enhancement datasets.fetch_openml erlaubt nun das Argument as_frame auf 'auto', was versucht, die zurückgegebenen Daten in einen pandas DataFrame zu konvertieren, es sei denn, die Daten sind dünn besetzt. #17396 von Jiaxiang.

• Enhancement datasets.fetch_covtype unterstützt nun das optionale Argument as_frame; wenn es auf True gesetzt ist, sind die data- und frame-Mitglieder des zurückgegebenen Bunch-Objekts pandas DataFrames und das target-Mitglied ist eine pandas Series. #17491 von Alex Liang.

• Enhancement datasets.fetch_kddcup99 unterstützt nun das optionale Argument as_frame; wenn es auf True gesetzt ist, sind die data- und frame-Mitglieder des zurückgegebenen Bunch-Objekts pandas DataFrames und das target-Mitglied ist eine pandas Series. #18280 von Alex Liang und Guillaume Lemaitre.

• Enhancement datasets.fetch_20newsgroups_vectorized unterstützt nun das Laden als pandas DataFrame durch Setzen von as_frame=True. #17499 von Brigitta Sipőcz und Guillaume Lemaitre.

• API Change Der Standardwert von as_frame in datasets.fetch_openml wird von False zu 'auto' geändert. #17610 von Jiaxiang.

sklearn.decomposition

• API Change Für decomposition.NMF wird der init-Wert, wenn ‘init=None’ und n_components <= min(n_samples, n_features) ist, in Version 1.1 (Umbenennung von 0.26) von 'nndsvd' auf 'nndsvda' geändert. #18525 von Chiara Marmo.

• Enhancement decomposition.FactorAnalysis unterstützt nun das optionale Argument rotation, das die Werte None, 'varimax' oder 'quartimax' annehmen kann. #11064 von Jona Sassenhagen.

• Enhancement decomposition.NMF unterstützt nun den optionalen Parameter regularization, der die Werte None, ‘components’, ‘transformation’ oder ‘both’ annehmen kann, in Übereinstimmung mit decomposition.NMF.non_negative_factorization. #17414 von Bharat Raghunathan.

• Fix Das Verhalten von decomposition.KernelPCA ist nun konsistenter zwischen 32-Bit und 64-Bit Dateneingaben, wenn der Kernel kleine positive Eigenwerte hat. Kleine positive Eigenwerte wurden für 32-Bit-Daten nicht korrekt verworfen. #18149 von Sylvain Marié.

• Fix Behebung von decomposition.SparseCoder, damit es der scikit-learn API folgt und Klonen unterstützt. Das Attribut components_ ist in Version 0.24 veraltet und wird in Version 1.1 (Umbenennung von 0.26) entfernt. Dieses Attribut war redundant mit dem Attribut dictionary und dem Konstruktorparameter. #17679 von Xavier Dupré.

• Fix decomposition.TruncatedSVD.fit_transform gibt konsistent das Gleiche zurück wie decomposition.TruncatedSVD.fit gefolgt von decomposition.TruncatedSVD.transform. #18528 von Albert Villanova del Moral und Ruifeng Zheng.

sklearn.discriminant_analysis

• Enhancement discriminant_analysis.LinearDiscriminantAnalysis kann nun mit dem Parameter covariance_estimator eine benutzerdefinierte Kovarianzschätzung verwenden. #14446 von Hugo Richard.

sklearn.ensemble

• Major Feature ensemble.HistGradientBoostingRegressor und ensemble.HistGradientBoostingClassifier haben nun native Unterstützung für kategoriale Merkmale mit dem Parameter categorical_features. #18394 von Nicolas Hug und Thomas Fan.

• Feature ensemble.HistGradientBoostingRegressor und ensemble.HistGradientBoostingClassifier unterstützen nun die Methode staged_predict, die die Überwachung jeder Stufe ermöglicht. #16985 von Hao Chun Chang.

• Efficiency Zyklische Referenzen in den intern verwendeten Baumknoten von ensemble.HistGradientBoostingRegressor und ensemble.HistGradientBoostingClassifier werden unterbrochen, um die rechtzeitige Garbage Collection großer temporärer Datenstrukturen zu ermöglichen und die Speichernutzung in fit zu verbessern. #18334 von Olivier Grisel Nicolas Hug, Thomas Fan und Andreas Müller.

• Efficiency Die Histogramm-Initialisierung erfolgt nun parallel in ensemble.HistGradientBoostingRegressor und ensemble.HistGradientBoostingClassifier, was zu einer Geschwindigkeitsverbesserung bei Problemen führt, die viele Knoten auf Mehrkernmaschinen erstellen. #18341 von Olivier Grisel, Nicolas Hug, Thomas Fan und Egor Smirnov.

• Fix Ein Fehler in ensemble.HistGradientBoostingRegressor und ensemble.HistGradientBoostingClassifier wurde behoben, sodass diese nun Daten mit uint8-Datentyp in predict akzeptieren können. #18410 von Nicolas Hug.

• API Change Der Parameter n_classes_ ist nun in ensemble.GradientBoostingRegressor veraltet und gibt 1 zurück. #17702 von Simona Maggio.

• API Change Der Mittelwert der absoluten Fehler ('mae') ist für den Parameter criterion in ensemble.GradientBoostingRegressor und ensemble.GradientBoostingClassifier veraltet. #18326 von Madhura Jayaratne.

sklearn.exceptions

• API Change exceptions.ChangedBehaviorWarning und exceptions.NonBLASDotWarning sind veraltet und werden in Version 1.1 (Umbenennung von 0.26) entfernt. #17804 von Adrin Jalali.

sklearn.feature_extraction

• Enhancement feature_extraction.DictVectorizer akzeptiert mehrere Werte für ein kategorisches Merkmal. #17367 von Peng Yu und Chiara Marmo.

• Fix feature_extraction.text.CountVectorizer löst ein Problem aus, wenn ein benutzerdefiniertes Token-Muster mit mehr als einer Gruppe verwendet wird. #15427 von Gangesh Gudmalwar und Erin R Hoffman.

sklearn.feature_selection

• Feature feature_selection.SequentialFeatureSelector wurde hinzugefügt, das eine vorwärts- und rückwärtsgerichtete sequentielle Merkmalsauswahl implementiert. #6545 von Sebastian Raschka und #17159 von Nicolas Hug.

• Feature Ein neuer Parameter importance_getter wurde zu feature_selection.RFE, feature_selection.RFECV und feature_selection.SelectFromModel hinzugefügt, der es dem Benutzer ermöglicht, einen Attributnamen/-pfad oder eine callable für die Extraktion der Merkmalbedeutung aus dem Schätzer anzugeben. #15361 von Venkatachalam N.

• Efficiency Reduzierung des Speicherbedarfs in feature_selection.mutual_info_classif und feature_selection.mutual_info_regression durch Aufruf von neighbors.KDTree zum Zählen der nächsten Nachbarn. #17878 von Noel Rogers.

• Enhancement feature_selection.RFE unterstützt die Option, dass die Anzahl der auszuwählenden Merkmale (n_features_to_select) als Fließkommazahl angegeben werden kann, die den Prozentsatz der auszuwählenden Merkmale darstellt. #17090 von Lisa Schwetlick und Marija Vlajic Wheeler.

sklearn.gaussian_process

• Enhancement Eine neue Methode gaussian_process.kernel._check_bounds_params wird nach dem Anpassen eines Gauß-Prozesses aufgerufen und löst eine ConvergenceWarning aus, wenn die Grenzen der Hyperparameter zu eng sind. #12638 von Sylvain Lannuzel.

sklearn.impute

• Feature impute.SimpleImputer unterstützt nun eine Liste von Zeichenketten, wenn strategy='most_frequent' oder strategy='constant' ist. #17526 von Ayako YAGI und Juan Carlos Alfaro Jiménez.

• Feature Die Methode impute.SimpleImputer.inverse_transform wurde hinzugefügt, um imputierte Daten wieder in den ursprünglichen Zustand zurückzuverwandeln, wenn sie mit add_indicator=True instanziiert wurden. #17612 von Srimukh Sripada.

• Fix Die Standardwerte für die Parameter min_value und max_value in impute.IterativeImputer wurden durch -np.inf bzw. np.inf anstelle von None ersetzt. Das Verhalten der Klasse ändert sich jedoch nicht, da None bereits standardmäßig auf diese Werte abgebildet wurde. #16493 von Darshan N.

• Fix impute.IterativeImputer wird nicht versuchen, das Attribut random_state des Schätzers zu setzen, was die Verwendung mit externen Klassen ermöglicht. #15636 von David Cortes.

• Efficiency impute.SimpleImputer ist nun schneller mit Arrays vom object-Datentyp. wenn strategy='most_frequent' in SimpleImputer. #18987 von David Katz.

sklearn.inspection

• Feature inspection.partial_dependence und inspection.plot_partial_dependence unterstützen nun die Berechnung und Darstellung von Individual Conditional Expectation (ICE)-Kurven, gesteuert durch den Parameter kind. #16619 von Madhura Jayaratne.

• Feature Der Parameter sample_weight wurde zu inspection.permutation_importance hinzugefügt. #16906 von Roei Kahny.

• API Change Positionsargumente sind in inspection.PartialDependenceDisplay.plot veraltet und werden in Version 1.1 (Umbenennung von 0.26) zu einem Fehler führen. #18293 von Thomas Fan.

sklearn.isotonic

• Feature Die angepassten Attribute X_thresholds_ und y_thresholds_ werden verfügbar gemacht, die die deduplizierten Interpolationsschwellenwerte einer Instanz von isotonic.IsotonicRegression zu Inspektionszwecken enthalten. #16289 von Masashi Kishimoto und Olivier Grisel.

• Enhancement isotonic.IsotonicRegression akzeptiert jetzt 2D-Arrays mit einer Feature als Eingabearray. #17379 von Jiaxiang.

• Fix Toleranz beim Bestimmen von doppelten X-Werten hinzugefügt, um zu verhindern, dass unendliche Werte von isotonic.IsotonicRegression vorhergesagt werden. #18639 von Lucy Liu.

sklearn.kernel_approximation

• Feature Klasse kernel_approximation.PolynomialCountSketch hinzugefügt, die den Tensor Sketch-Algorithmus für die Approximation von polynomialen Kernel-Feature-Maps implementiert. #13003 von Daniel López Sánchez.

• Efficiency kernel_approximation.Nystroem unterstützt jetzt Parallelisierung über joblib.Parallel mit dem Argument n_jobs. #18545 von Laurenz Reitsam.

sklearn.linear_model

• Feature linear_model.LinearRegression erzwingt nun positive Koeffizienten, wenn positive auf True gesetzt ist. #17578 von Joseph Knox, Nelle Varoquaux und Chiara Marmo.

• Enhancement linear_model.RidgeCV unterstützt nun die Suche nach einem optimalen Regularisierungswert alpha für jedes Ziel separat, indem alpha_per_target=True gesetzt wird. Dies wird nur unterstützt, wenn das standardmäßige effiziente Leave-One-Out-Kreuzvalidierungsschema cv=None verwendet wird. #6624 von Marijn van Vliet.

• Fix Behebt einen Fehler in linear_model.TheilSenRegressor, bei dem predict und score fehlschlugen, wenn fit_intercept=False gesetzt war und während des Trainings nur ein Feature vorhanden war. #18121 von Thomas Fan.

• Fix Behebt einen Fehler in linear_model.ARDRegression, bei dem predict einen Fehler auslöste, wenn normalize=True und return_std=True gesetzt war, da X_offset_ und X_scale_ undefiniert waren. #18607 von fhaselbeck.

• Fix Der fehlende Parameter l1_ratio wurde in linear_model.Perceptron hinzugefügt, der verwendet wird, wenn penalty='elasticnet' ist. Dies ändert den Standardwert von 0 auf 0,15. #18622 von Haesun Park.

sklearn.manifold

• Efficiency Behoben #10493. Verbesserte Local Linear Embedding (LLE), die eine MemoryError Ausnahme auslöste, wenn sie mit großen Eingaben verwendet wurde. #17997 von Bertrand Maisonneuve.

• Enhancement Parameter square_distances für manifold.TSNE hinzugefügt, der die Abwärtskompatibilität während der Deprecation des alten Quadrierungsverhaltens bietet. Distanzen werden standardmäßig in 1.1 (Umbenennung von 0.26) quadriert, und dieser Parameter wird in 1.3 entfernt. #17662 von Joshua Newton.

• Fix manifold.MDS setzt nun korrekt sein Attribut _pairwise. #18278 von Thomas Fan.

sklearn.metrics

• Feature metrics.cluster.pair_confusion_matrix hinzugefügt, die die Konfusionsmatrix implementiert, die aus Paaren von Elementen aus zwei Clusterings resultiert. #17412 von Uwe F Mayer.

• Feature Neue Metrik metrics.top_k_accuracy_score. Es ist eine Verallgemeinerung von metrics.top_k_accuracy_score, der Unterschied ist, dass eine Vorhersage als korrekt gilt, solange das wahre Label mit einem der k höchsten vorhergesagten Scores assoziiert ist. metrics.accuracy_score ist der Spezialfall von k = 1. #16625 von Geoffrey Bolmier.

• Feature metrics.det_curve hinzugefügt, um die Klassifikationsmetrik für die Detection Error Tradeoff (DET) Kurve zu berechnen. #10591 von Jeremy Karnowski und Daniel Mohns.

• Feature metrics.plot_det_curve und metrics.DetCurveDisplay hinzugefügt, um das Plotten von DET-Kurven zu erleichtern. #18176 von Guillaume Lemaitre.

• Feature Metrik metrics.mean_absolute_percentage_error und der zugehörige Scorer für Regressionsprobleme hinzugefügt. #10708 behoben mit PR #15007 von Ashutosh Hathidara. Der Scorer und einige praktische Testfälle wurden aus PR #10711 von Mohamed Ali Jamaoui übernommen.

• Feature metrics.rand_score hinzugefügt, die den (unangepassten) Rand-Index implementiert. #17412 von Uwe F Mayer.

• Feature metrics.plot_confusion_matrix unterstützt jetzt optional die Farbleiste im Matplotlib-Plot durch Setzen von colorbar=False. #17192 von Avi Gupta

• Enhancement Parameter sample_weight für metrics.median_absolute_error hinzugefügt. #17225 von Lucy Liu.

• Enhancement Parameter pos_label in metrics.plot_precision_recall_curve hinzugefügt, um die positive Klasse anzugeben, die bei der Berechnung der Präzisions- und Recall-Statistiken verwendet werden soll. #17569 von Guillaume Lemaitre.

• Enhancement Parameter pos_label in metrics.plot_roc_curve hinzugefügt, um die positive Klasse anzugeben, die bei der Berechnung der ROC-AUC-Statistiken verwendet werden soll. #17651 von Clara Matos.

• Fix Fehler in metrics.classification_report behoben, der eine `AttributeError` auslöste, wenn er mit `output_dict=True` für 0-Längen-Werte aufgerufen wurde. #17777 von Shubhanshu Mishra.

• Fix Fehler in metrics.classification_report behoben, der eine `AttributeError` auslöste, wenn er mit `output_dict=True` für 0-Längen-Werte aufgerufen wurde. #17777 von Shubhanshu Mishra.

• Fix Fehler in metrics.jaccard_score behoben, der den Parameter zero_division empfahl, wenn er ohne wahre oder vorhergesagte Samples aufgerufen wurde. #17826 von Richard Decal und Joseph Willard.

• Fix Fehler in metrics.hinge_loss, bei dem ein Fehler auftrat, wenn y_true einige Labels vermisste, die explizit im Parameter labels angegeben wurden. #17935 von Cary Goltermann.

• Fix Korrigiert Scorer, die einen `pos_label`-Parameter akzeptieren und ihre Metriken aus den von decision_function oder predict_proba zurückgegebenen Werten berechnen. Zuvor gaben sie fehlerhafte Werte zurück, wenn `pos_label` nicht mit classifier.classes_[1] übereinstimmte. Dies ist besonders wichtig, wenn Klassifikatoren direkt mit zeichenkettenbeschrifteten Zielklassen trainiert werden. #18114 von Guillaume Lemaitre.

• Fix Behoben wurde ein Fehler in metrics.plot_confusion_matrix, bei dem ein Fehler auftrat, wenn y_true Labels enthielt, die vom Klassifikator zuvor nicht gesehen wurden, während die Parameter labels und display_labels auf None gesetzt waren. #18405 von Thomas J. Fan und Yakov Pchelintsev.

sklearn.model_selection

• Major Feature (Experimentell) Parameter-Such-Estimators model_selection.HalvingRandomSearchCV und model_selection.HalvingGridSearchCV hinzugefügt, die Successive Halving implementieren und als Drop-in-Ersatz für model_selection.RandomizedSearchCV und model_selection.GridSearchCV verwendet werden können. #13900 von Nicolas Hug, Joel Nothman und Andreas Müller.

• Feature model_selection.RandomizedSearchCV und model_selection.GridSearchCV haben jetzt die Methode score_samples. #17478 von Teon Brooks und Mohamed Maskani.

• Enhancement model_selection.TimeSeriesSplit hat zwei neue Schlüsselwortargumente: test_size und gap. test_size ermöglicht es, die Länge der Out-of-Sample-Zeitreihe für alle Folds festzulegen. gap entfernt eine feste Anzahl von Samples zwischen dem Trainings- und dem Testset in jedem Fold. #13204 von Kyle Kosic.

• Enhancement model_selection.permutation_test_score und model_selection.validation_curve akzeptieren jetzt `fit_params`, um zusätzliche Estimator-Parameter zu übergeben. #18527 von Gaurav Dhingra, Julien Jerphanion und Amanda Dsouza.

• Enhancement model_selection.cross_val_score, model_selection.cross_validate, model_selection.GridSearchCV und model_selection.RandomizedSearchCV erlauben es dem Estimator, bei der Bewertung fehlzuschlagen und den Score durch error_score zu ersetzen. Wenn error_score="raise" gesetzt ist, wird der Fehler ausgelöst. #18343 von Guillaume Lemaitre und Devi Sandeep.

• Enhancement model_selection.learning_curve akzeptiert jetzt `fit_params`, um zusätzliche Estimator-Parameter zu übergeben. #18595 von Amanda Dsouza.

• Fix Behoben wurde die len von model_selection.ParameterSampler, wenn alle Verteilungen Listen sind und n_iter größer ist als die Anzahl der eindeutigen Parameterkombinationen. #18222 von Nicolas Hug.

• Fix Korrektur zur Auslösung einer Warnung, wenn eine oder mehrere CV-Splits von model_selection.GridSearchCV und model_selection.RandomizedSearchCV nicht-endliche Scores ergeben. #18266 von Subrat Sahu, Nirvan und Arthur Book.

• Enhancement model_selection.GridSearchCV, model_selection.RandomizedSearchCV und model_selection.cross_validate unterstützen scoring als Callable, das ein Wörterbuch mit mehreren Metriknamen/Wert-Zuordnungen zurückgibt. #15126 von Thomas Fan.

sklearn.multiclass

• Enhancement multiclass.OneVsOneClassifier akzeptiert jetzt Eingaben mit fehlenden Werten. Daher können Estimators, die fehlende Werte verarbeiten können (möglicherweise eine Pipeline mit einem Imputationsschritt), als Estimator für Multiclass-Wrapper verwendet werden. #17987 von Venkatachalam N.

• Fix Eine Korrektur, um multiclass.OutputCodeClassifier die Annahme von Sparse-Eingabedaten in seinen Methoden fit und predict zu ermöglichen. Die Prüfung der Eingabegültigkeit wird nun an den Basis-Estimator delegiert. #17233 von Zolisa Bleki.

sklearn.multioutput

• Enhancement multioutput.MultiOutputClassifier und multioutput.MultiOutputRegressor akzeptieren jetzt Eingaben mit fehlenden Werten. Daher können Estimators, die fehlende Werte verarbeiten können (möglicherweise eine Pipeline mit einem Imputationsschritt, HistGradientBoosting-Estimators), als Estimator für Multiclass-Wrapper verwendet werden. #17987 von Venkatachalam N.

• Fix Eine Korrektur zur Annahme von Tupeln für den Parameter order in multioutput.ClassifierChain. #18124 von Gus Brocchini und Amanda Dsouza.

sklearn.naive_bayes

• Erweiterung Fügt einen Parameter min_categories zu naive_bayes.CategoricalNB hinzu, der die Angabe einer Mindestanzahl von Kategorien pro Merkmal ermöglicht. Dies ermöglicht die Berücksichtigung von Kategorien, die während des Trainings nicht gesehen wurden. #16326 von George Armstrong.

• API-Änderung Die Attribute coef_ und intercept_ sind nun in naive_bayes.MultinomialNB, naive_bayes.ComplementNB, naive_bayes.BernoulliNB und naive_bayes.CategoricalNB veraltet und werden in v1.1 (Umbenennung von 0.26) entfernt. #17427 von Juan Carlos Alfaro Jiménez.

sklearn.neighbors

• Effizienz Beschleunigung der Metriken seuclidean, wminkowski, mahalanobis und haversine in neighbors.DistanceMetric durch Vermeidung unerwarteter GIL-Erwerbe in Cython bei Einstellung von n_jobs>1 in neighbors.KNeighborsClassifier, neighbors.KNeighborsRegressor, neighbors.RadiusNeighborsClassifier, neighbors.RadiusNeighborsRegressor, metrics.pairwise_distances und durch Validierung von Daten außerhalb von Schleifen. #17038 von Wenbo Zhao.

• Effizienz neighbors.NeighborsBase profitiert von einer verbesserten Heuristik für algorithm = 'auto'. Zusätzlich zu den bisherigen Regeln wird nun, wenn die Anzahl der Merkmale 15 überschreitet, brute ausgewählt, unter der Annahme, dass die intrinsische Dimensionalität der Daten für baumbasierte Methoden zu hoch ist. #17148 von Geoffrey Bolmier.

• Korrektur neighbors.BinaryTree löst einen ValueError aus, wenn auf einem Datenarray mit Punkten unterschiedlicher Dimensionen trainiert wird. #18691 von Chiara Marmo.

• Korrektur neighbors.NearestCentroid mit einem numerischen shrink_threshold löst einen ValueError aus, wenn auf Daten mit lauter konstanten Merkmalen trainiert wird. #18370 von Trevor Waite.

• Korrektur In den Methoden radius_neighbors und radius_neighbors_graph von neighbors.NearestNeighbors, neighbors.RadiusNeighborsClassifier, neighbors.RadiusNeighborsRegressor und neighbors.RadiusNeighborsTransformer sortiert sort_results=True nun die Ergebnisse korrekt, auch wenn mit dem „brute“-Algorithmus trainiert wird. #18612 von Tom Dupre la Tour.

sklearn.neural_network

• Effizienz Training und Vorhersage neuronaler Netze sind nun etwas schneller. #17603, #17604, #17606, #17608, #17609, #17633, #17661, #17932 von Alex Henrie.

• Erweiterung Vermeidung der Konvertierung von float32-Eingaben in float64 in neural_network.BernoulliRBM. #16352 von Arthur Imbert.

• Erweiterung Unterstützung für 32-Bit-Berechnungen in neural_network.MLPClassifier und neural_network.MLPRegressor. #17759 von Srimukh Sripada.

• Korrektur Korrigiert, dass die Methode neural_network.MLPClassifier.fit bei warmem Start nicht bis max_iter iteriert. #18269 von Norbert Preining und Guillaume Lemaitre.

sklearn.pipeline

• Erweiterung Verweise auf Transformer, die über transformer_weights an pipeline.FeatureUnion übergeben werden und die nicht in transformer_list vorhanden sind, lösen einen ValueError aus. #17876 von Cary Goltermann.

• Korrektur Ein Slice eines pipeline.Pipeline erbt nun die Parameter der ursprünglichen Pipeline (memory und verbose). #18429 von Albert Villanova del Moral und Paweł Biernat.

sklearn.preprocessing

• Merkmal preprocessing.OneHotEncoder unterstützt nun fehlende Werte, indem diese als Kategorie behandelt werden. #17317 von Thomas Fan.

• Merkmal Fügt einen neuen Parameter handle_unknown mit der Option use_encoded_value hinzu, zusammen mit einem neuen Parameter unknown_value, zu preprocessing.OrdinalEncoder, um unbekannte Kategorien während der Transformation zuzulassen und den kodierten Wert der unbekannten Kategorien festzulegen. #17406 von Felix Wick und #18406 von Nicolas Hug.

• Merkmal Fügt den Parameter clip zu preprocessing.MinMaxScaler hinzu, der die transformierten Werte von Testdaten auf den feature_range begrenzt. #17833 von Yashika Sharma.

• Merkmal Fügt den Parameter sample_weight zu preprocessing.StandardScaler hinzu. Ermöglicht die Festlegung individueller Gewichte für jedes Sample. #18510 und #18447 und #16066 und #18682 von Maria Telenczuk und Albert Villanova und @panpiort8 und Alex Gramfort.

• Erweiterung Die verbose Ausgabe von model_selection.GridSearchCV wurde zur besseren Lesbarkeit verbessert. #16935 von Raghav Rajagopalan und Chiara Marmo.

• Erweiterung Fügt unit_variance zu preprocessing.RobustScaler hinzu, das Ausgabedaten so skaliert, dass normalverteilte Merkmale eine Varianz von 1 haben. #17193 von Lucy Liu und Mabel Villalba.

• Erweiterung Fügt den Parameter dtype zu preprocessing.KBinsDiscretizer hinzu. #16335 von Arthur Imbert.

• Korrektur Löst einen Fehler bei sklearn.preprocessing.OneHotEncoder.inverse_transform aus, wenn handle_unknown='error' und drop=None für als Nullen kodierte Samples verwendet werden. #14982 von Kevin Winata.

sklearn.semi_supervised

• Hauptmerkmal Hinzugefügt wurde semi_supervised.SelfTrainingClassifier, ein Meta-Klassifikator, der es jedem überwachten Klassifikator ermöglicht, als semi-überwachter Klassifikator zu fungieren, der aus unbeschrifteten Daten lernen kann. #11682 von Oliver Rausch und Patrice Becker.

• Korrektur Korrigiert die fehlerhafte Kodierung bei Verwendung von Unicode-String-Datentypen in preprocessing.OneHotEncoder und preprocessing.OrdinalEncoder. #15763 von Thomas Fan.

sklearn.svm

• Erweiterung Ruft die SciPy BLAS API für die SVM-Kernelfunktion in den Methoden fit, predict und verwandten Methoden von svm.SVC, svm.NuSVC, svm.SVR, svm.NuSVR, svm.OneClassSVM auf. #16530 von Shuhua Fan.

sklearn.tree

• Merkmal tree.DecisionTreeRegressor unterstützt nun das neue Split-Kriterium 'poisson', das sich gut zur Modellierung von Zähldaten eignet. #17386 von Christian Lorentzen.

• Erweiterung tree.plot_tree verwendet nun Farben aus den Matplotlib-Konfigurationseinstellungen. #17187 von Andreas Müller.

• API-Änderung Der Parameter X_idx_sorted ist nun in tree.DecisionTreeClassifier.fit und tree.DecisionTreeRegressor.fit veraltet und hat keine Auswirkung mehr. #17614 von Juan Carlos Alfaro Jiménez.

sklearn.utils

• Erweiterung Fügt check_methods_sample_order_invariance zu check_estimator hinzu, was prüft, ob Methoden von Schätzern invariant sind, wenn sie auf dasselbe Datenset mit unterschiedlicher Stichprobenreihenfolge angewendet werden #17598 von Jason Ngo.

• Erweiterung Unterstützung für Gewichte in utils.sparse_func.incr_mean_variance_axis hinzugefügt. Von Maria Telenczuk und Alex Gramfort.

• Korrektur Löst ValueError mit klarer Fehlermeldung in utils.check_array für spärliche DataFrames mit gemischten Typen aus. #17992 von Thomas J. Fan und Alex Shacked.

• Korrektur Ermöglicht das Entpickeln serialisierter baumbasierter Modelle auf einer Maschine mit anderer Endianness. #17644 von Qi Zhang.

• Korrektur Überprüft, ob der korrekte Fehler ausgelöst wird, wenn axis=1 ist und die Dimensionen in utils.sparse_func.incr_mean_variance_axis nicht übereinstimmen. Von Alex Gramfort.

Sonstiges

• Erweiterung Aufrufe von repr sind nun schneller, wenn print_changed_only=True ist, insbesondere bei Meta-Estimators. #18508 von Nathan C..

Code- und Dokumentationsbeitragende

Vielen Dank an alle, die seit Version 0.23 zur Wartung und Verbesserung des Projekts beigetragen haben, darunter

Abo7atm, Adam Spannbauer, Adrin Jalali, adrinjalali, Agamemnon Krasoulis, Akshay Deodhar, Albert Villanova del Moral, Alessandro Gentile, Alex Henrie, Alex Itkes, Alex Liang, Alexander Lenail, alexandracraciun, Alexandre Gramfort, alexshacked, Allan D Butler, Amanda Dsouza, amy12xx, Anand Tiwari, Anderson Nelson, Andreas Mueller, Ankit Choraria, Archana Subramaniyan, Arthur Imbert, Ashutosh Hathidara, Ashutosh Kushwaha, Atsushi Nukariya, Aura Munoz, AutoViz and Auto_ViML, Avi Gupta, Avinash Anakal, Ayako YAGI, barankarakus, barberogaston, beatrizsmg, Ben Mainye, Benjamin Bossan, Benjamin Pedigo, Bharat Raghunathan, Bhavika Devnani, Biprateep Dey, bmaisonn, Bo Chang, Boris Villazón-Terrazas, brigi, Brigitta Sipőcz, Bruno Charron, Byron Smith, Cary Goltermann, Cat Chenal, CeeThinwa, chaitanyamogal, Charles Patel, Chiara Marmo, Christian Kastner, Christian Lorentzen, Christoph Deil, Christos Aridas, Clara Matos, clmbst, Coelhudo, crispinlogan, Cristina Mulas, Daniel López, Daniel Mohns, darioka, Darshan N, david-cortes, Declan O’Neill, Deeksha Madan, Elizabeth DuPre, Eric Fiegel, Eric Larson, Erich Schubert, Erin Khoo, Erin R Hoffman, eschibli, Felix Wick, fhaselbeck, Forrest Koch, Francesco Casalegno, Frans Larsson, Gael Varoquaux, Gaurav Desai, Gaurav Sheni, genvalen, Geoffrey Bolmier, George Armstrong, George Kiragu, Gesa Stupperich, Ghislain Antony Vaillant, Gim Seng, Gordon Walsh, Gregory R. Lee, Guillaume Chevalier, Guillaume Lemaitre, Haesun Park, Hannah Bohle, Hao Chun Chang, Harry Scholes, Harsh Soni, Henry, Hirofumi Suzuki, Hitesh Somani, Hoda1394, Hugo Le Moine, hugorichard, indecisiveuser, Isuru Fernando, Ivan Wiryadi, j0rd1smit, Jaehyun Ahn, Jake Tae, James Hoctor, Jan Vesely, Jeevan Anand Anne, JeroenPeterBos, JHayes, Jiaxiang, Jie Zheng, Jigna Panchal, jim0421, Jin Li, Joaquin Vanschoren, Joel Nothman, Jona Sassenhagen, Jonathan, Jorge Gorbe Moya, Joseph Lucas, Joshua Newton, Juan Carlos Alfaro Jiménez, Julien Jerphanion, Justin Huber, Jérémie du Boisberranger, Kartik Chugh, Katarina Slama, kaylani2, Kendrick Cetina, Kenny Huynh, Kevin Markham, Kevin Winata, Kiril Isakov, kishimoto, Koki Nishihara, Krum Arnaudov, Kyle Kosic, Lauren Oldja, Laurenz Reitsam, Lisa Schwetlick, Louis Douge, Louis Guitton, Lucy Liu, Madhura Jayaratne, maikia, Manimaran, Manuel López-Ibáñez, Maren Westermann, Maria Telenczuk, Mariam-ke, Marijn van Vliet, Markus Löning, Martin Scheubrein, Martina G. Vilas, Martina Megasari, Mateusz Górski, mathschy, mathurinm, Matthias Bussonnier, Max Del Giudice, Michael, Milan Straka, Muoki Caleb, N. Haiat, Nadia Tahiri, Ph. D, Naoki Hamada, Neil Botelho, Nicolas Hug, Nils Werner, noelano, Norbert Preining, oj_lappi, Oleh Kozynets, Olivier Grisel, Pankaj Jindal, Pardeep Singh, Parthiv Chigurupati, Patrice Becker, Pete Green, pgithubs, Poorna Kumar, Prabakaran Kumaresshan, Probinette4, pspachtholz, pwalchessen, Qi Zhang, rachel fischoff, Rachit Toshniwal, Rafey Iqbal Rahman, Rahul Jakhar, Ram Rachum, RamyaNP, rauwuckl, Ravi Kiran Boggavarapu, Ray Bell, Reshama Shaikh, Richard Decal, Rishi Advani, Rithvik Rao, Rob Romijnders, roei, Romain Tavenard, Roman Yurchak, Ruby Werman, Ryotaro Tsukada, sadak, Saket Khandelwal, Sam, Sam Ezebunandu, Sam Kimbinyi, Sarah Brown, Saurabh Jain, Sean O. Stalley, Sergio, Shail Shah, Shane Keller, Shao Yang Hong, Shashank Singh, Shooter23, Shubhanshu Mishra, simonamaggio, Soledad Galli, Srimukh Sripada, Stephan Steinfurt, subrat93, Sunitha Selvan, Swier, Sylvain Marié, SylvainLan, t-kusanagi2, Teon L Brooks, Terence Honles, Thijs van den Berg, Thomas J Fan, Thomas J. Fan, Thomas S Benjamin, Thomas9292, Thorben Jensen, tijanajovanovic, Timo Kaufmann, tnwei, Tom Dupré la Tour, Trevor Waite, ufmayer, Umberto Lupo, Venkatachalam N, Vikas Pandey, Vinicius Rios Fuck, Violeta, watchtheblur, Wenbo Zhao, willpeppo, xavier dupré, Xethan, Xue Qianming, xun-tang, yagi-3, Yakov Pchelintsev, Yashika Sharma, Yi-Yan Ge, Yue Wu, Yutaro Ikeda, Zaccharie Ramzi, zoj613, Zhao Feng.