Version 1.1

Für eine kurze Beschreibung der wichtigsten Highlights des Releases verweisen wir auf Release Highlights für scikit-learn 1.1.

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 1.1.3

Oktober 2022

Dieses Bugfix-Release enthält nur Korrekturen zur Kompatibilität mit der neuesten SciPy-Version >= 1.9.2. Bemerkenswerte Änderungen sind

• Fix `msvcp140.dll` in die scikit-learn Wheels einfügen, da es aus den neuesten SciPy Wheels entfernt wurde. #24631 von Chiara Marmo.

• Enhancement Wheels für Python 3.11 erstellen. #24446 von Chiara Marmo.

Weitere Fehlerkorrekturen werden in der nächsten 1.2-Version verfügbar sein, die in den kommenden Wochen veröffentlicht wird.

Beachten Sie, dass die Unterstützung für 32-Bit-Python unter Windows in dieser Version eingestellt wurde. Dies liegt daran, dass SciPy 1.9.2 ebenfalls die Unterstützung für diese Plattform eingestellt hat. Windows-Benutzern wird empfohlen, stattdessen die 64-Bit-Version von Python zu installieren.

Version 1.1.2

August 2022

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 `manifold.TSNE` löst nun einen `ValueError` aus, wenn es mit `perplexity>=n_samples` gefittet wird, um die mathematische Korrektheit des Algorithmus zu gewährleisten. #10805 von Mathias Andersen und #23471 von Meekail Zain.

Änderungsprotokoll

• Fix Eine Standard-HTML-Darstellung wird für Meta-Estimators mit ungültigen Parametern angezeigt. #24015 von Thomas Fan.

• Fix Unterstützung für F-kontinuierliche Arrays für Estimators und Funktionen, deren Backends in 1.1 geändert wurden. #23990 von Julien Jerphanion.

• Fix Wheels sind nun für MacOS 10.9 und höher verfügbar. #23833 von Thomas Fan.

sklearn.base

• Fix Die Methode `get_params` der Klasse `base.BaseEstimator` unterstützt nun Estimators mit Parametern vom Typ `type`, die die Methode `get_params` haben. #24017 von Henry Sorsky.

sklearn.cluster

• Fix Ein Fehler in `cluster.Birch`, der einen Fehler auslösen konnte, wenn ein Knoten aufgeteilt wird und Duplikate im Datensatz vorhanden sind, wurde behoben. #23395 von Jérémie du Boisberranger.

sklearn.feature_selection

• Fix `feature_selection.SelectFromModel` wählt standardmäßig den Schwellenwert 1e-5, wenn der Estimator entweder `linear_model.ElasticNet` oder `linear_model.ElasticNetCV` mit `l1_ratio` gleich 1 oder `linear_model.LassoCV` ist. #23636 von Hao Chun Chang.

sklearn.impute

• Fix `impute.SimpleImputer` verwendet den beim `fit` gesehenen `dtype` für `transform`, wenn der `dtype` object ist. #22063 von Thomas Fan.

sklearn.linear_model

• Fix Dtype-bewusste Toleranzen für die Validierung von Gram-Matrizen (vom Benutzer übergeben oder vorab berechnet) verwenden. #22059 von Malte S. Kurz.

• Fix Ein Fehler in `linear_model.LogisticRegression` mit `solver="newton-cg"`, `fit_intercept=True` und einem einzelnen Feature wurde behoben. #23608 von Tom Dupre la Tour.

sklearn.manifold

• Fix `manifold.TSNE` löst nun einen `ValueError` aus, wenn es mit `perplexity>=n_samples` gefittet wird, um die mathematische Korrektheit des Algorithmus zu gewährleisten. #10805 von Mathias Andersen und #23471 von Meekail Zain.

sklearn.metrics

• Fix Fehlermeldung von `metrics.coverage_error` für 1D-Array-Input behoben. #23548 von Hao Chun Chang.

sklearn.preprocessing

• Fix `preprocessing.OrdinalEncoder.inverse_transform` behandelt Fälle, in denen `unknown_value` oder `encoded_missing_value` `nan` ist, korrekt. #24087 von Thomas Fan.

sklearn.tree

• Fix Ein Fehler mit ungültigem Speicherzugriff während des `fit` in `tree.DecisionTreeRegressor` und `tree.DecisionTreeClassifier` wurde behoben. #23273 von Thomas Fan.

Version 1.1.1

Mai 2022

Änderungsprotokoll

• Enhancement Die Fehlermeldung wird verbessert, wenn `model_selection.HalvingGridSearchCV`, `model_selection.HalvingRandomSearchCV` oder `impute.IterativeImputer` ohne den experimentellen Flag importiert werden. #23194 von Thomas Fan.

• Enhancement Eine Erweiterung in doc/conf.py wurde hinzugefügt, um automatisch die Liste der Estimators zu generieren, die NaN-Werte verarbeiten. #23198 von Lise Kleiber, Zhehao Liu und Chiara Marmo.

sklearn.datasets

• Fix Timeouts in `datasets.fetch_openml` werden vermieden, indem kein `timeout`-Argument übergeben wird. #23358 von Loïc Estève.

sklearn.decomposition

• Fix Vermeidung einer irreführenden Warnung in `decomposition.IncrementalPCA` wenn `n_samples == n_components`. #23264 von Lucy Liu.

sklearn.feature_selection

• Fix Die Methode `partial_fit` von `feature_selection.SelectFromModel` führt nun Validierungen für die Parameter `max_features` und `feature_names_in` durch. #23299 von Long Bao.

sklearn.metrics

• Fix `metrics.precision_recall_curve` wird nun so korrigiert, dass die Precision-Recall bei 100% Recall berechnet wird. Die Precision-Recall-Kurve zeigt nun den letzten Punkt an, der einem Klassifikator entspricht, der immer die positive Klasse vorhersagt: Recall=100% und Precision=Klassenbalance. #23214 von Stéphane Collot und Max Baak.

sklearn.preprocessing

• Fix `preprocessing.PolynomialFeatures` mit `degree` gleich 0 löst einen Fehler aus, wenn `include_bias` auf `False` gesetzt ist, und gibt ein einzelnes konstantes Array aus, wenn `include_bias` auf `True` gesetzt ist. #23370 von Zhehao Liu.

sklearn.tree

• Fix Eine Performance-Regression bei Merkmalen mit geringer Kardinalität für `tree.DecisionTreeClassifier`, `tree.DecisionTreeRegressor`, `ensemble.RandomForestClassifier`, `ensemble.RandomForestRegressor`, `ensemble.GradientBoostingClassifier` und `ensemble.GradientBoostingRegressor` wurde behoben. #23410 von Loïc Estève.

sklearn.utils

• Fix `utils.class_weight.compute_sample_weight` funktioniert nun auch mit sparse `y`. #23115 von kernc.

Version 1.1.0

Mai 2022

Minimale Abhängigkeiten

Version 1.1.0 von scikit-learn erfordert Python 3.8+, NumPy 1.17.3+ und SciPy 1.3.2+. Optionale minimale Abhängigkeit ist Matplotlib 3.1.2+.

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.

• Efficiency `cluster.KMeans` verwendet nun standardmäßig `algorithm="lloyd"` anstelle von `algorithm="auto"`, was äquivalent zu `algorithm="elkan"` war. Lloyd's Algorithmus und Elkan's Algorithmus konvergieren zum selben Ergebnis, abgesehen von numerischen Rundungsfehlern, aber im Allgemeinen benötigt Lloyd's Algorithmus viel weniger Speicher und ist oft schneller.

• Efficiency Das Fitten von `tree.DecisionTreeClassifier`, `tree.DecisionTreeRegressor`, `ensemble.RandomForestClassifier`, `ensemble.RandomForestRegressor`, `ensemble.GradientBoostingClassifier` und `ensemble.GradientBoostingRegressor` ist dank eines neuen Sortieralgorithmus zur Ermittlung der besten Teilung im Durchschnitt 15% schneller als in früheren Versionen. Modelle können sich aufgrund einer anderen Handhabung von Teilungen mit gleichwertigen Kriteriumswerten unterscheiden: Sowohl der alte als auch der neue Sortieralgorithmus sind instabile Sortieralgorithmen. #22868 von Thomas Fan.

• Fix Die Eigenvektor-Initialisierung für `cluster.SpectralClustering` und `manifold.SpectralEmbedding` sampliert nun aus einer Gauß-Verteilung, wenn der Solver `'amg'` oder `'lobpcg'` verwendet wird. Diese Änderung verbessert die numerische Stabilität des Solvers, kann aber zu einem anderen Modell führen.

• Fix `feature_selection.f_regression` und `feature_selection.r_regression` geben nun standardmäßig einen endlichen Score zurück anstelle von `np.nan` und `np.inf` für einige Eckfälle. Sie können `force_finite=False` verwenden, wenn Sie wirklich nicht-endliche Werte erhalten und das alte Verhalten beibehalten möchten.

• Fix Pandas DataFrames mit nur Nicht-String-Spalten, wie z. B. ein MultiIndex, geben keine Warnung mehr aus, wenn sie in einen Estimator übergeben werden. Estimators ignorieren weiterhin die Spaltennamen in DataFrames mit Nicht-String-Spalten. Damit `feature_names_in_` definiert ist, müssen alle Spalten Strings sein. #22410 von Thomas Fan.

• Fix `preprocessing.KBinsDiscretizer` hat die Handhabung von Bin-Grenzen geringfügig geändert, was zu einer anderen Kodierung mit denselben Daten führen kann.

• Fix `calibration.calibration_curve` hat die Handhabung von Bin-Grenzen geringfügig geändert, was zu einer anderen Kurve bei denselben Daten führen kann.

• Fix `discriminant_analysis.LinearDiscriminantAnalysis` verwendet nun den korrekten Varianzskalierungskoeffizienten, was zu einem anderen Modellverhalten führen kann.

• Fix `feature_selection.SelectFromModel.fit` und `feature_selection.SelectFromModel.partial_fit` können nun mit `prefit=True` aufgerufen werden. `estimators_` wird eine tiefe Kopie von `estimator` sein, wenn `prefit=True` gesetzt ist. #23271 von Guillaume Lemaitre.

Changelog

• Efficiency Low-level Routinen für Reduktionen auf paarweisen Distanzen für dichte float64 Datensätze wurden refaktoriert. Die folgenden Funktionen und Estimators profitieren nun von verbesserten Leistungen in Bezug auf Hardware-Skalierbarkeit und Beschleunigung.

  • sklearn.metrics.pairwise_distances_argmin

  • sklearn.metrics.pairwise_distances_argmin_min

  • sklearn.cluster.AffinityPropagation

  • sklearn.cluster.Birch

  • sklearn.cluster.MeanShift

  • sklearn.cluster.OPTICS

  • sklearn.cluster.SpectralClustering

  • sklearn.feature_selection.mutual_info_regression

  • sklearn.neighbors.KNeighborsClassifier

  • sklearn.neighbors.KNeighborsRegressor

  • sklearn.neighbors.RadiusNeighborsClassifier

  • sklearn.neighbors.RadiusNeighborsRegressor

  • sklearn.neighbors.LocalOutlierFactor

  • sklearn.neighbors.NearestNeighbors

  • sklearn.manifold.Isomap

  • sklearn.manifold.LocallyLinearEmbedding

  • sklearn.manifold.TSNE

  • sklearn.manifold.trustworthiness

  • sklearn.semi_supervised.LabelPropagation

  • sklearn.semi_supervised.LabelSpreading

  Beispielsweise können `sklearn.neighbors.NearestNeighbors.kneighbors` und `sklearn.neighbors.NearestNeighbors.radius_neighbors` auf einem Laptop bis zu 20-mal bzw. 5-mal schneller sein als zuvor.

  Darüber hinaus sind die Implementierungen dieser beiden Algorithmen nun für Maschinen mit vielen Kernen geeignet, wodurch sie für Datensätze mit Millionen von Stichproben nutzbar sind.

  #21987, #22064, #22065, #22288 und #22320 von Julien Jerphanion.

• Enhancement Alle scikit-learn Modelle generieren nun eine informativere Fehlermeldung, wenn die Eingabe unerwartete `NaN`- oder unendliche Werte enthält. Insbesondere die Meldung enthält den Namen der Eingabe ("X", "y" oder "sample_weight") und wenn ein unerwarteter `NaN`-Wert in `X` gefunden wird, schlägt die Fehlermeldung mögliche Lösungen vor. #21219 von Olivier Grisel.

• Enhancement Alle scikit-learn Modelle generieren nun eine informativere Fehlermeldung, wenn ungültige Hyperparameter mit `set_params` gesetzt werden. #21542 von Olivier Grisel.

• Enhancement Zufällige eindeutige Identifikatoren in der HTML-Darstellung wurden entfernt. Mit dieser Änderung sind Jupyter Notebooks reproduzierbar, solange die Zellen in der gleichen Reihenfolge ausgeführt werden. #23098 von Thomas Fan.

• Fix Estimators mit dem Tag `non_deterministic`, der auf `True` gesetzt ist, überspringen sowohl die Tests `check_methods_sample_order_invariance` als auch `check_methods_subset_invariance`. #22318 von Zhehao Liu.

• API Change Die Option zur Verwendung des Log-Loss, auch bekannt als binomiale oder multinomielle Devianz, über den `loss`-Parameter wurde konsistenter gestaltet. Der bevorzugte Weg ist, den Wert auf `"log_loss"` zu setzen. Alte Optionsnamen sind weiterhin gültig und erzeugen die gleichen Modelle, sind aber veraltet und werden in Version 1.3 entfernt.

  • Für `ensemble.GradientBoostingClassifier` ist der Parametername `loss` "deviance" veraltet zugunsten des neuen Namens "log_loss", der nun der Standard ist. #23036 von Christian Lorentzen.

  • Für `ensemble.HistGradientBoostingClassifier` sind die Parameter­namen `loss` "auto", "binary_crossentropy" und "categorical_crossentropy" veraltet zugunsten des neuen Namens "log_loss", der nun der Standard ist. #23040 von Christian Lorentzen.

  • Für `linear_model.SGDClassifier` ist der Parametername `loss` "log" veraltet zugunsten des neuen Namens "log_loss". #23046 von Christian Lorentzen.

• API Change Die Rich-HTML-Darstellung von Estimators ist nun standardmäßig in Jupyter Notebooks aktiviert. Sie kann durch Setzen von `display='text'` in `sklearn.set_config` deaktiviert werden. #22856 von Jérémie du Boisberranger.

sklearn.calibration

• Enhancement `calibration.calibration_curve` akzeptiert einen Parameter `pos_label`, um die positive Klassenbezeichnung anzugeben. #21032 von Guillaume Lemaitre.

• Enhancement `calibration.CalibratedClassifierCV.fit` unterstützt nun das Übergeben von `fit_params`, die an den `base_estimator` weitergeleitet werden. #18170 von Benjamin Bossan.

• Enhancement `calibration.CalibrationDisplay` akzeptiert einen Parameter `pos_label`, um diese Information dem Plot hinzuzufügen. #21038 von Guillaume Lemaitre.

• Fix `calibration.calibration_curve` behandelt Bin-Grenzen nun konsistenter. #14975 von Andreas Müller und #22526 von Meekail Zain.

• API Change Der Parameter `normalize` von `calibration.calibration_curve` ist nun veraltet und wird in Version 1.3 entfernt. Es wird empfohlen, eine korrekte Wahrscheinlichkeit (d. h. die `predict_proba`-positive Klasse eines Klassifikators) für `y_prob` zu verwenden. #23095 von Jordan Silke.

sklearn.cluster

• Major Feature `cluster.BisectingKMeans` führt den Bisecting K-Means-Algorithmus ein. #20031 von Michal Krawczyk, Tom Dupre la Tour und Jérémie du Boisberranger.

• Enhancement `cluster.SpectralClustering` und `cluster.spectral_clustering` enthalten nun die neue Methode `'cluster_qr'`, die Stichproben im Einbettungsraum clustert, als Alternative zu den bestehenden Methoden `'kmeans'` und `'discrete'`. Weitere Details finden Sie unter `cluster.spectral_clustering`. #21148 von Andrew Knyazev.

• Erweiterung Fügt get_feature_names_out zu cluster.Birch, cluster.FeatureAgglomeration, cluster.KMeans, cluster.MiniBatchKMeans hinzu. #22255 von Thomas Fan.

• Erweiterung cluster.SpectralClustering löst nun konsistente Fehlermeldungen aus, wenn ungültige Werte für n_clusters, n_init, gamma, n_neighbors, eigen_tol oder degree übergeben werden. #21881 von Hugo Vassard.

• Erweiterung cluster.AffinityPropagation gibt nun Cluster-Zentren und Labels zurück, falls diese existieren, auch wenn das Modell nicht vollständig konvergiert ist. Bei der Rückgabe dieser potenziell degenerierten Cluster-Zentren und Labels wird eine neue Warnmeldung angezeigt. Wenn keine Cluster-Zentren konstruiert wurden, bleiben die Cluster-Zentren eine leere Liste, die Labels werden auf -1 gesetzt und die ursprüngliche Warnmeldung wird angezeigt. #22217 von Meekail Zain.

• Effizienz In cluster.KMeans ist der Standardwert für algorithm nun "lloyd", was dem vollständigen klassischen EM-artigen Algorithmus entspricht. Sowohl "auto" als auch "full" sind veraltet und werden in Version 1.3 entfernt. Sie sind nun Aliase für "lloyd". Der vorherige Standard war "auto", das auf Elkan's Algorithmus zurückgriff. Lloyd's Algorithmus benötigt weniger Speicher als Elkan's, ist bei vielen Datensätzen schneller und liefert identische Ergebnisse, daher die Änderung. #21735 von Aurélien Geron.

• Korrektur Der Parameter init von cluster.KMeans unterstützt nun korrekt Array-ähnliche Eingaben und NumPy-String-Skalare. #22154 von Thomas Fan.

sklearn.compose

• Korrektur compose.ColumnTransformer entfernt nun Validierungsfehler aus den Methoden __init__ und set_params. #22537 von iofall und Arisa Y..

• Korrektur Die Funktionalität get_feature_names_out in compose.ColumnTransformer war fehlerhaft, wenn Spalten mit slice spezifiziert wurden. Dies wird in #22775 und #22913 von randomgeek78 behoben. #22775 und #22913 von randomgeek78.

sklearn.covariance

• Korrektur covariance.GraphicalLassoCV akzeptiert nun NumPy-Arrays für den Parameter alphas. #22493 von Guillaume Lemaitre.

sklearn.cross_decomposition

• Erweiterung Die Methode inverse_transform von cross_decomposition.PLSRegression, cross_decomposition.PLSCanonical und cross_decomposition.CCA erlaubt nun die Rekonstruktion eines X-Ziels, wenn ein Y-Parameter gegeben ist. #19680 von Robin Thibaut.

• Erweiterung Fügt get_feature_names_out zu allen Transformer im Modul cross_decomposition hinzu: cross_decomposition.CCA, cross_decomposition.PLSSVD, cross_decomposition.PLSRegression und cross_decomposition.PLSCanonical. #22119 von Thomas Fan.

• Korrektur Die Form des Attributs coef_ von cross_decomposition.CCA, cross_decomposition.PLSCanonical und cross_decomposition.PLSRegression ändert sich in Version 1.3 von (n_features, n_targets) zu (n_targets, n_features), um konsistent mit anderen linearen Modellen zu sein und um mit Schnittstellen, die eine bestimmte Form für coef_ erwarten (z.B. feature_selection.RFE), zu funktionieren. #22016 von Guillaume Lemaitre.

• API-Änderung Fügt das gefittete Attribut intercept_ zu cross_decomposition.PLSCanonical, cross_decomposition.PLSRegression und cross_decomposition.CCA hinzu. Die Methode predict ist äquivalent zu Y = X @ coef_ + intercept_. #22015 von Guillaume Lemaitre.

sklearn.datasets

• Funktion datasets.load_files akzeptiert nun eine Ignorierliste und eine Zulassungsliste basierend auf Dateierweiterungen. #19747 von Tony Attalla und #22498 von Meekail Zain.

• Erweiterung datasets.make_swiss_roll unterstützt nun das optionale Argument `hole`; wenn auf `True` gesetzt, gibt es den Swiss-Hole-Datensatz zurück. #21482 von Sebastian Pujalte.

• Erweiterung datasets.make_blobs kopiert während des Generierungsprozesses keine Daten mehr, wodurch weniger Speicher verbraucht wird. #22412 von Zhehao Liu.

• Erweiterung datasets.load_diabetes akzeptiert nun den Parameter scaled, um das Laden unskalierter Daten zu ermöglichen. Die skalierte Version dieses Datensatzes wird nun aus den unskalierten Daten berechnet und kann leicht von früheren Versionen abweichen (innerhalb einer absoluten Toleranz von 1e-4). #16605 von Mandy Gu.

• Erweiterung datasets.fetch_openml verfügt nun über zwei optionale Argumente n_retries und delay. Standardmäßig wird datasets.fetch_openml im Falle eines Netzwerkfehlers dreimal mit einer Verzögerung zwischen den Versuchen wiederholt. #21901 von Rileran.

• Korrektur datasets.fetch_covtype ist nun nebenläufigkeits-sicher: Daten werden in ein temporäres Verzeichnis heruntergeladen, bevor sie in das Datenverzeichnis verschoben werden. #23113 von Ilion Beyst.

• API-Änderung datasets.make_sparse_coded_signal akzeptiert nun einen Parameter data_transposed, um die Form der Matrix X explizit anzugeben. Das Standardverhalten True gibt eine transponierte Matrix X zurück, die einer Form von (n_features, n_samples) entspricht. Der Standardwert wird in Version 1.3 zu False geändert. #21425 von Gabriel Stefanini Vicente.

sklearn.decomposition

• Hauptfunktion Ein neuer Schätzer decomposition.MiniBatchNMF wurde hinzugefügt. Es handelt sich um eine schnellere, aber weniger genaue Version der nicht-negativen Matrixfaktorisierung, die besser für große Datensätze geeignet ist. #16948 von Chiara Marmo, Patricio Cerda und Jérémie du Boisberranger.

• Erweiterung decomposition.dict_learning, decomposition.dict_learning_online und decomposition.sparse_encode behalten den dtype für numpy.float32 bei. decomposition.DictionaryLearning, decomposition.MiniBatchDictionaryLearning und decomposition.SparseCoder behalten den dtype für numpy.float32 bei. #22002 von Takeshi Oura.

• Erweiterung decomposition.PCA gibt den Parameter n_oversamples frei, um utils.extmath.randomized_svd zu optimieren und genaue Ergebnisse zu erzielen, wenn die Anzahl der Merkmale groß ist. #21109 von Smile.

• Erweiterung decomposition.MiniBatchDictionaryLearning und decomposition.dict_learning_online wurden refaktoriert und haben nun ein Stoppkriterium basierend auf einer geringen Änderung des Wörterbuchs oder der Zielfunktion, gesteuert durch die neuen Parameter max_iter, tol und max_no_improvement. Zusätzlich sind einige ihrer Parameter und Attribute veraltet.

  • Der Parameter n_iter von beiden ist veraltet. Verwenden Sie stattdessen max_iter.

  • Die Parameter iter_offset, return_inner_stats, inner_stats und return_n_iter von decomposition.dict_learning_online dienen internen Zwecken und sind veraltet.

  • Die Attribute inner_stats_, iter_offset_ und random_state_ von decomposition.MiniBatchDictionaryLearning dienen internen Zwecken und sind veraltet.

  • Der Standardwert des Parameters batch_size von beiden wird in Version 1.3 von 3 auf 256 geändert.

  #18975 von Jérémie du Boisberranger.

• Erweiterung decomposition.SparsePCA und decomposition.MiniBatchSparsePCA behalten den dtype für numpy.float32 bei. #22111 von Takeshi Oura.

• Erweiterung decomposition.TruncatedSVD erlaubt nun n_components == n_features, wenn algorithm='randomized'. #22181 von Zach Deane-Mayer.

• Erweiterung Fügt get_feature_names_out zu allen Transformer im Modul decomposition hinzu: decomposition.DictionaryLearning, decomposition.FactorAnalysis, decomposition.FastICA, decomposition.IncrementalPCA, decomposition.KernelPCA, decomposition.LatentDirichletAllocation, decomposition.MiniBatchDictionaryLearning, decomposition.MiniBatchSparsePCA, decomposition.NMF, decomposition.PCA, decomposition.SparsePCA und decomposition.TruncatedSVD. #21334 von Thomas Fan.

• Erweiterung decomposition.TruncatedSVD gibt die Parameter n_oversamples und power_iteration_normalizer frei, um utils.extmath.randomized_svd zu optimieren und genaue Ergebnisse zu erzielen, wenn die Anzahl der Merkmale groß ist, der Rang der Matrix hoch ist oder andere Merkmale der Matrix eine niedrigrangige Approximation schwierig machen. #21705 von Jay S. Stanley III.

• Erweiterung decomposition.PCA gibt den Parameter power_iteration_normalizer frei, um utils.extmath.randomized_svd zu optimieren und genauere Ergebnisse zu erzielen, wenn niedrigrangige Approximationen schwierig sind. #21705 von Jay S. Stanley III.

• Korrektur decomposition.FastICA validiert nun Eingabeparameter in fit anstatt in __init__. #21432 von Hannah Bohle und Maren Westermann.

• Korrektur decomposition.FastICA akzeptiert nun np.float32 Daten ohne stille Aufwärtskonvertierung. Der dtype wird von fit und fit_transform beibehalten, und die wichtigsten gefitteten Attribute verwenden einen dtype mit derselben Präzision wie die Trainingsdaten. #22806 von Jihane Bennis und Olivier Grisel.

• Korrektur decomposition.FactorAnalysis validiert nun Eingabeparameter in fit anstatt in __init__. #21713 von Haya und Krum Arnaudov.

• Korrektur decomposition.KernelPCA validiert nun Eingabeparameter in fit anstatt in __init__. #21567 von Maggie Chege.

• Korrektur decomposition.PCA und decomposition.IncrementalPCA berechnen die Präzision sicherer durch die Inverse der Kovarianzmatrix, wenn self.noise_variance_ null ist. #22300 von Meekail Zain und #15948 von @sysuresh.

• Korrektur Der Spitzen-Speicherverbrauch bei decomposition.PCA beim Aufruf von fit oder fit_transform wurde stark reduziert. #22553 von Meekail Zain.

• API-Änderung decomposition.FastICA unterstützt nun Einheitsvarianz für das Whitening. Der Standardwert seines Arguments whiten wird in Version 1.3 von True (was wie 'arbitrary-variance' funktioniert) zu 'unit-variance' geändert. #19490 von Facundo Ferrin und Julien Jerphanion.

sklearn.discriminant_analysis

• Verbesserung Fügt get_feature_names_out zu discriminant_analysis.LinearDiscriminantAnalysis hinzu. #22120 von Thomas Fan.

• Korrektur discriminant_analysis.LinearDiscriminantAnalysis verwendet nun den korrekten Varianz-Skalierungskoeffizienten, was zu einem anderen Modellverhalten führen kann. #15984 von Okon Samuel und #22696 von Meekail Zain.

sklearn.dummy

• Korrektur dummy.DummyRegressor überschreibt den Parameter constant während fit nicht mehr. #22486 von Thomas Fan.

sklearn.ensemble

• Hauptfunktion Option loss="quantile" wurde zu ensemble.HistGradientBoostingRegressor für die Modellierung von Quantilen hinzugefügt. Die Quantilstufe kann mit dem neuen Parameter quantile angegeben werden. #21800 und #20567 von Christian Lorentzen.

• Effizienz Das fit von ensemble.GradientBoostingClassifier und ensemble.GradientBoostingRegressor ruft nun utils.check_array mit dem Parameter force_all_finite=False für nicht initiale Warm-Start-Durchläufe auf, da dies bereits zuvor geprüft wurde. #22159 von Geoffrey Paris.

• Verbesserung ensemble.HistGradientBoostingClassifier ist dank des neuen privaten Loss-Funktionsmoduls schneller, insbesondere für binäre und multiklasse Probleme. #20811, #20567 und #21814 von Christian Lorentzen.

• Verbesserung Fügt Unterstützung für die Verwendung von vortrainierten Modellen mit cv="prefit" in ensemble.StackingClassifier und ensemble.StackingRegressor hinzu. #16748 von Siqi He und #22215 von Meekail Zain.

• Verbesserung ensemble.RandomForestClassifier und ensemble.ExtraTreesClassifier haben das neue criterion="log_loss", was äquivalent zu criterion="entropy" ist. #23047 von Christian Lorentzen.

• Verbesserung Fügt get_feature_names_out zu ensemble.VotingClassifier, ensemble.VotingRegressor, ensemble.StackingClassifier und ensemble.StackingRegressor hinzu. #22695 und #22697 von Thomas Fan.

• Verbesserung ensemble.RandomTreesEmbedding hat nun eine informative get_feature_names_out-Funktion, die sowohl den Baum-Index als auch den Blatt-Index in den Ausgabemerkmalsnamen enthält. #21762 von Zhehao Liu und Thomas Fan.

• Effizienz Das Anpassen von ensemble.RandomForestClassifier, ensemble.RandomForestRegressor, ensemble.ExtraTreesClassifier, ensemble.ExtraTreesRegressor und ensemble.RandomTreesEmbedding ist nun in einer Multiprocessing-Umgebung schneller, insbesondere bei nachfolgenden Fits mit aktiviertem warm_start. #22106 von Pieter Gijsbers.

• Korrektur Der Parameter validation_fraction in ensemble.GradientBoostingClassifier und ensemble.GradientBoostingRegressor wurde geändert, sodass ein Fehler ausgelöst wird, wenn etwas anderes als ein Float als Argument übergeben wird. #21632 von Genesis Valencia.

• Korrektur Eine potenzielle Quelle für CPU-Überlastung in ensemble.HistGradientBoostingClassifier und ensemble.HistGradientBoostingRegressor wurde entfernt, wenn die CPU-Ressourcennutzung begrenzt ist, z.B. durch cgroups-Quoten in einem Docker-Container. #22566 von Jérémie du Boisberranger.

• Korrektur ensemble.HistGradientBoostingClassifier und ensemble.HistGradientBoostingRegressor geben keine Warnungen mehr aus, wenn sie auf einem Pandas DataFrame mit einem nicht standardmäßigen scoring-Parameter und aktiviertem early_stopping trainiert werden. #22908 von Thomas Fan.

• Korrektur HTML-Repräsentationen für ensemble.StackingClassifier und ensemble.StackingRegressor korrigiert. #23097 von Thomas Fan.

• API-Änderung Das Attribut loss_ von ensemble.GradientBoostingClassifier und ensemble.GradientBoostingRegressor wurde als veraltet markiert und wird in Version 1.3 entfernt. #23079 von Christian Lorentzen.

• API-Änderung Der Standardwert von max_features wurde für ensemble.RandomForestRegressor auf 1.0 und für ensemble.RandomForestClassifier auf "sqrt" geändert. Beachten Sie, dass dies die gleichen Fit-Ergebnisse wie zuvor liefert, aber leichter verständlich ist. Der alte Standardwert "auto" wurde als veraltet markiert und wird in Version 1.3 entfernt. Die gleichen Änderungen werden auch für ensemble.ExtraTreesRegressor und ensemble.ExtraTreesClassifier übernommen. #20803 von Brian Sun.

• Effizienz Laufzeitleistung von ensemble.IsolationForest verbessert, indem wiederholte Eingabeprüfungen übersprungen werden. #23149 von Zhehao Liu.

sklearn.feature_extraction

• Funktion feature_extraction.FeatureHasher unterstützt nun PyPy. #23023 von Thomas Fan.

• Korrektur feature_extraction.FeatureHasher validiert nun die Eingabeparameter in transform anstatt in __init__. #21573 von Hannah Bohle und Maren Westermann.

• Korrektur feature_extraction.text.TfidfVectorizer erstellt nun kein feature_extraction.text.TfidfTransformer in __init__, wie es unsere API verlangt. #21832 von Guillaume Lemaitre.

sklearn.feature_selection

• Funktion Der automatische Modus wurde zu feature_selection.SequentialFeatureSelector hinzugefügt. Wenn das Argument n_features_to_select 'auto' ist, werden Merkmale ausgewählt, bis die Punktverbesserung das Argument tol nicht überschreitet. Der Standardwert von n_features_to_select hat sich von None zu 'warn' in 1.1 geändert und wird in 1.3 zu 'auto'. None und 'warn' werden in 1.3 entfernt. #20145 von murata-yu.

• Funktion Die Möglichkeit, Callables an den Parameter max_features von feature_selection.SelectFromModel zu übergeben, wurde hinzugefügt. Außerdem wurde das neue Attribut max_features_ eingeführt, das aus max_features und den Daten während fit abgeleitet wird. Wenn max_features eine Ganzzahl ist, dann ist max_features_ = max_features. Wenn max_features ein Callable ist, dann ist max_features_ = max_features(X). #22356 von Meekail Zain.

• Verbesserung feature_selection.GenericUnivariateSelect behält den Float32-Datentyp bei. #18482 von Thierry Gameiro und Daniel Kharsa und #22370 von Meekail Zain.

• Verbesserung Fügt den Parameter force_finite zu feature_selection.f_regression und feature_selection.r_regression hinzu. Dieser Parameter erlaubt es, die Ausgabe endlich zu erzwingen, falls ein Merkmal oder das Ziel konstant ist oder das Merkmal und das Ziel perfekt korreliert sind (nur für die F-Statistik). #17819 von Juan Carlos Alfaro Jiménez.

• Effizienz Laufzeitleistung von feature_selection.chi2 mit Booleschen Arrays verbessert. #22235 von Thomas Fan.

• Effizienz Speicherverbrauch von feature_selection.chi2 reduziert. #21837 von Louis Wagner.

sklearn.gaussian_process

• Korrektur Die Methoden predict und sample_y von gaussian_process.GaussianProcessRegressor geben nun Arrays der korrekten Form für Ein- und Mehrziel-Fälle sowie für normalize_y=False und normalize_y=True zurück. #22199 von Guillaume Lemaitre, Aidar Shakerimoff und Tenavi Nakamura-Zimmerer.

• Korrektur gaussian_process.GaussianProcessClassifier löst einen informativeren Fehler aus, wenn CompoundKernel über kernel übergeben wird. #22223 von MarcoM.

sklearn.impute

• Verbesserung impute.SimpleImputer gibt nun mit Merkmalsnamen eine Warnung aus, wenn Merkmale übersprungen werden, da im Trainingsdatensatz keine beobachteten Werte vorhanden sind. #21617 von Christian Ritter.

• Verbesserung Unterstützung für pd.NA in impute.SimpleImputer hinzugefügt. #21114 von Ying Xiong.

• Verbesserung Fügt get_feature_names_out zu impute.SimpleImputer, impute.KNNImputer, impute.IterativeImputer und impute.MissingIndicator hinzu. #21078 von Thomas Fan.

• API-Änderung Der Parameter verbose wurde für impute.SimpleImputer als veraltet markiert. Eine Warnung wird immer ausgegeben, wenn leere Spalten entfernt werden. #21448 von Oleh Kozynets und Christian Ritter.

sklearn.inspection

• Funktion Ein Diagramm zur Darstellung der Entscheidungsgrenze eines Klassifikators durch Verwendung der Methode inspection.DecisionBoundaryDisplay.from_estimator hinzugefügt. #16061 von Thomas Fan.

• Verbesserung In inspection.PartialDependenceDisplay.from_estimator darf kind eine Liste von Strings akzeptieren, um anzugeben, welcher Diagrammtyp für jede Merkmalsinteraktion gezeichnet werden soll. #19438 von Guillaume Lemaitre.

• Verbesserung inspection.PartialDependenceDisplay.from_estimator, inspection.PartialDependenceDisplay.plot und inspection.plot_partial_dependence unterstützen nun das Zeichnen von zentrierten Individual Conditional Expectation (cICE)- und zentrierten PDP-Kurven, gesteuert durch Setzen des Parameters centered. #18310 von Johannes Elfner und Guillaume Lemaitre.

sklearn.isotonic

• Verbesserung Fügt get_feature_names_out zu isotonic.IsotonicRegression hinzu. #22249 von Thomas Fan.

sklearn.kernel_approximation

• Verbesserung Fügt get_feature_names_out zu kernel_approximation.AdditiveChi2Sampler hinzu. kernel_approximation.Nystroem, kernel_approximation.PolynomialCountSketch, kernel_approximation.RBFSampler und kernel_approximation.SkewedChi2Sampler. #22137 und #22694 von Thomas Fan.

sklearn.linear_model

• Funktion linear_model.ElasticNet, linear_model.ElasticNetCV, linear_model.Lasso und linear_model.LassoCV unterstützen sample_weight für spärliche Eingaben X. #22808 von Christian Lorentzen.

• Funktion linear_model.Ridge mit solver="lsqr" unterstützt nun das Anpassen spärlicher Eingaben mit fit_intercept=True. #22950 von Christian Lorentzen.

• Verbesserung linear_model.QuantileRegressor unterstützt spärliche Eingaben für die Highs-basierten Löser. #21086 von Venkatachalam Natchiappan. Zusätzlich verwenden diese Löser nun von Anfang an die CSC-Matrix, was das Anpassen beschleunigt. #22206 von Christian Lorentzen.

• Verbesserung linear_model.LogisticRegression ist schneller für solvers="lbfgs" und solver="newton-cg", für binäre und insbesondere für Multiklassenprobleme dank der neuen privaten Verlustfunktionsmodule. Im Multiklassenfall wurde auch der Speicherverbrauch für diese Löser reduziert, da das Ziel nun Label-kodiert (auf ganze Zahlen abgebildet) anstatt Label-binarisiert (One-Hot-kodiert) ist. Je mehr Klassen, desto größer der Vorteil. #21808, #20567 und #21814 von Christian Lorentzen.

• Verbesserung linear_model.GammaRegressor, linear_model.PoissonRegressor und linear_model.TweedieRegressor sind schneller für solvers="lbfgs". #22548, #21808 und #20567 von Christian Lorentzen.

• Verbesserung Umbenennung des Parameters base_estimator zu estimator in linear_model.RANSACRegressor zur Verbesserung der Lesbarkeit und Konsistenz. base_estimator ist veraltet und wird in Version 1.3 entfernt. #22062 von Adrian Trujillo.

• Verbesserung linear_model.ElasticNet und andere lineare Modellklassen, die Coordinate Descent verwenden, zeigen Fehlermeldungen, wenn nicht-endliche Parametergewichte erzeugt werden. #22148 von Christian Ritter und Norbert Preining.

• Verbesserung linear_model.ElasticNet und linear_model.Lasso geben nun konsistente Fehlermeldungen aus, wenn ungültige Werte für l1_ratio, alpha, max_iter und tol übergeben werden. #22240 von Arturo Amor.

• Verbesserung linear_model.BayesianRidge und linear_model.ARDRegression behalten nun den float32 dtype. #9087 von Arthur Imbert und #22525 von Meekail Zain.

• Verbesserung linear_model.RidgeClassifier unterstützt nun Multilabel-Klassifizierung. #19689 von Guillaume Lemaitre.

• Verbesserung linear_model.RidgeCV und linear_model.RidgeClassifierCV geben nun eine konsistente Fehlermeldung aus, wenn ungültige Werte für alphas übergeben werden. #21606 von Arturo Amor.

• Verbesserung linear_model.Ridge und linear_model.RidgeClassifier geben nun eine konsistente Fehlermeldung aus, wenn ungültige Werte für alpha, max_iter und tol übergeben werden. #21341 von Arturo Amor.

• Verbesserung linear_model.orthogonal_mp_gram behält den dtype für numpy.float32. #22002 von Takeshi Oura.

• Korrektur linear_model.LassoLarsIC berechnet nun korrekt AIC und BIC. Es wird nun ein Fehler ausgelöst, wenn n_features > n_samples und die Rauschvarianz nicht angegeben ist. #21481 von Guillaume Lemaitre und Andrés Babino.

• Korrektur linear_model.TheilSenRegressor validiert nun den Eingabeparameter max_subpopulation in fit anstatt in __init__. #21767 von Maren Westermann.

• Korrektur linear_model.ElasticNetCV gibt nun eine korrekte Warnung aus, wenn l1_ratio=0 ist. #21724 von Yar Khine Phyo.

• Korrektur linear_model.LogisticRegression und linear_model.LogisticRegressionCV setzen nun das Attribut n_iter_ mit einer Form, die der Dokumentation entspricht und konsistent mit der Form ist, die bei Verwendung der anderen Löser im One-vs-Rest-Setting erhalten wird. Zuvor wurde nur das Maximum der Iterationszahl für jedes binäre Teilproblem aufgezeichnet, nun werden alle aufgezeichnet. #21998 von Olivier Grisel.

• Korrektur Die Eigenschaft family von linear_model.TweedieRegressor wird nicht mehr in __init__ validiert. Stattdessen ist diese (private) Eigenschaft in linear_model.GammaRegressor, linear_model.PoissonRegressor und linear_model.TweedieRegressor veraltet und wird in Version 1.3 entfernt. #22548 von Christian Lorentzen.

• Korrektur Die Attribute coef_ und intercept_ von linear_model.LinearRegression werden nun korrekt berechnet, wenn Stichprobengewichte vorhanden sind und die Eingabe spärlich ist. #22891 von Jérémie du Boisberranger.

• Korrektur Die Attribute coef_ und intercept_ von linear_model.Ridge mit solver="sparse_cg" und solver="lbfgs" werden nun korrekt berechnet, wenn Stichprobengewichte vorhanden sind und die Eingabe spärlich ist. #22899 von Jérémie du Boisberranger.

• Korrektur linear_model.SGDRegressor und linear_model.SGDClassifier berechnen nun den Validierungsfehler korrekt, wenn Early Stopping aktiviert ist. #23256 von Zhehao Liu.

• API-Änderung linear_model.LassoLarsIC macht nun noise_variance als Parameter verfügbar, um eine Schätzung der Rauschvarianz bereitzustellen. Dies ist besonders relevant, wenn n_features > n_samples und der Schätzer der Rauschvarianz nicht berechnet werden kann. #21481 von Guillaume Lemaitre.

sklearn.manifold

• Funktion manifold.Isomap unterstützt nun nachbarschaftsbasierten Radius über das Argument radius. #19794 von Zhehao Liu.

• Verbesserung manifold.spectral_embedding und manifold.SpectralEmbedding unterstützen np.float32 dtype und behalten diesen dtype bei. #21534 von Andrew Knyazev.

• Verbesserung Fügt get_feature_names_out zu manifold.Isomap und manifold.LocallyLinearEmbedding hinzu. #22254 von Thomas Fan.

• Verbesserung metric_params zum Konstruktor von manifold.TSNE für zusätzliche Parameter der Distanzmetrik zur Verwendung bei der Optimierung hinzugefügt. #21805 von Jeanne Dionisi und #22685 von Meekail Zain.

• Verbesserung manifold.trustworthiness löst einen Fehler aus, wenn n_neighbours >= n_samples / 2, um eine korrekte Unterstützung für die Funktion sicherzustellen. #18832 von Hong Shao Yang und #23033 von Meekail Zain.

• Korrektur manifold.spectral_embedding verwendet nun Gaußsche statt der vorherigen gleichmäßigen Verteilung auf [0, 1] zufälliger Anfangsannäherungen an Eigenvektoren in den Eigenlösungsalgorithmen lobpcg und amg, um deren numerische Stabilität zu verbessern. #21565 von Andrew Knyazev.

sklearn.metrics

• Funktion metrics.r2_score und metrics.explained_variance_score haben einen neuen Parameter force_finite. Wenn dieser Parameter auf False gesetzt wird, wird der tatsächliche nicht-endliche Score im Falle von perfekten Vorhersagen oder konstantem y_true zurückgegeben, anstatt der endlichen Annäherung (1.0 bzw. 0.0), die standardmäßig zurückgegeben wird. #17266 von Sylvain Marié.

• Funktion metrics.d2_pinball_score und metrics.d2_absolute_error_score berechnen den \(D^2\)-Regressions-Score für den Pinball-Verlust bzw. den absoluten Fehler. metrics.d2_absolute_error_score ist ein Sonderfall von metrics.d2_pinball_score mit einem festen Quantilparameter alpha=0.5 zur einfacheren Verwendung und Auffindbarkeit. Die \(D^2\)-Scores sind Verallgemeinerungen des r2_score und können als der Anteil der erklärten Abweichung interpretiert werden. #22118 von Ohad Michel.

• Verbesserung metrics.top_k_accuracy_score gibt eine verbesserte Fehlermeldung aus, wenn y_true binär ist und y_score 2D ist. #22284 von Thomas Fan.

• Verbesserung metrics.roc_auc_score unterstützt nun average=None im Multiklassenfall, wenn multiclass='ovr' ist, was den Score pro Klasse zurückgibt. #19158 von Nicki Skafte.

• Verbesserung Fügt den Parameter im_kw zu metrics.ConfusionMatrixDisplay.from_estimator metrics.ConfusionMatrixDisplay.from_predictions und metrics.ConfusionMatrixDisplay.plot hinzu. Der Parameter im_kw wird beim Plotten der Konfusionsmatrix an den Aufruf matplotlib.pyplot.imshow übergeben. #20753 von Thomas Fan.

• Korrektur metrics.silhouette_score unterstützt nun Ganzzahl-Eingaben für vorab berechnete Distanzen. #22108 von Thomas Fan.

• Korrektur Behebung eines Fehlers in metrics.normalized_mutual_info_score, der unbegrenzte Werte zurückgeben konnte. #22635 von Jérémie du Boisberranger.

• Korrektur Korrekturen für metrics.precision_recall_curve und metrics.average_precision_score, wenn die wahren Labels alle negativ sind. #19085 von Varun Agrawal.

• API-Änderung metrics.SCORERS ist nun veraltet und wird in Version 1.3 entfernt. Verwenden Sie stattdessen metrics.get_scorer_names, um die Namen aller verfügbaren Scorer abzurufen. #22866 von Adrin Jalali.

• API-Änderung Die Parameter sample_weight und multioutput von metrics.mean_absolute_percentage_error sind nun gemäß SLEP009 nur noch als Schlüsselwortargumente zulässig. Ein Deprecationszyklus wurde eingeführt. #21576 von Paul-Emile Dugnat.

• API-Änderung Die Metrik "wminkowski" von metrics.DistanceMetric ist veraltet und wird in Version 1.3 entfernt. Stattdessen nimmt die bestehende "minkowski"-Metrik nun einen optionalen w-Parameter für Gewichte entgegen. Diese Deprecations zielt darauf ab, konsistent mit der SciPy 1.8-Konvention zu bleiben. #21873 von Yar Khine Phyo.

• API-Änderung metrics.DistanceMetric wurde von sklearn.neighbors nach sklearn.metrics verschoben. Die Verwendung von neighbors.DistanceMetric für Importe ist aus Gründen der Abwärtskompatibilität weiterhin gültig, aber dieser Alias wird in Version 1.3 entfernt. #21177 von Julien Jerphanion.

sklearn.mixture

• Enhancement mixture.GaussianMixture und mixture.BayesianGaussianMixture können nun mit k-means++ und zufälligen Datenpunkten initialisiert werden. #20408 von Gordon Walsh, Alberto Ceballos und Andres Rios.

• Fix Behebt einen Fehler, der precisions_cholesky_ in mixture.GaussianMixture korrekt initialisiert, wenn precisions_init angegeben wird, indem die Quadratwurzel davon genommen wird. #22058 von Guillaume Lemaitre.

• Fix mixture.GaussianMixture normalisiert nun weights_ sicherer, was Rundungsfehler verhindert, wenn mixture.GaussianMixture.sample mit n_components=1 aufgerufen wird. #23034 von Meekail Zain.

sklearn.model_selection

• Enhancement Es ist nun möglich, scoring="matthews_corrcoef" an alle Modellwerkzeuge mit einem scoring-Argument zu übergeben, um den Matthews-Korrelationskoeffizienten (MCC) zu verwenden. #22203 von Olivier Grisel.

• Enhancement Es wird ein Fehler während der Kreuzvalidierung ausgelöst, wenn die Fits für alle Splits fehlgeschlagen sind. Ebenso wird ein Fehler während der Grid-Suche ausgelöst, wenn die Fits für alle Modelle und alle Splits fehlgeschlagen sind. #21026 von Loïc Estève.

• Fix model_selection.GridSearchCV und model_selection.HalvingGridSearchCV validieren nun Eingabeparameter in fit anstatt in __init__. #21880 von Mrinal Tyagi.

• Fix model_selection.learning_curve unterstützt nun partial_fit mit Regressoren. #22982 von Thomas Fan.

sklearn.multiclass

• Enhancement multiclass.OneVsRestClassifier unterstützt nun einen verbose-Parameter, um den Fortschritt beim Anpassen anzuzeigen. #22508 von Chris Combs.

• Fix multiclass.OneVsOneClassifier.predict gibt korrekte Vorhersagen zurück, wenn der innere Klassifikator nur eine predict_proba hat. #22604 von Thomas Fan.

sklearn.neighbors

• Enhancement Fügt get_feature_names_out zu neighbors.RadiusNeighborsTransformer, neighbors.KNeighborsTransformer und neighbors.NeighborhoodComponentsAnalysis hinzu. #22212 von Meekail Zain.

• Fix neighbors.KernelDensity validiert nun Eingabeparameter in fit anstatt in __init__. #21430 von Desislava Vasileva und Lucy Jimenez.

• Fix neighbors.KNeighborsRegressor.predict funktioniert nun ordnungsgemäß, wenn ein Array-ähnlicher Input übergeben wird, wenn KNeighborsRegressor zuerst mit einer aufrufbaren Funktion für den weights-Parameter konstruiert wurde. #22687 von Meekail Zain.

sklearn.neural_network

• Enhancement neural_network.MLPClassifier und neural_network.MLPRegressor zeigen Fehlermeldungen an, wenn Optimierer nicht-endliche Parametergewichte produzieren. #22150 von Christian Ritter und Norbert Preining.

• Enhancement Fügt get_feature_names_out zu neural_network.BernoulliRBM hinzu. #22248 von Thomas Fan.

sklearn.pipeline

• Enhancement Unterstützt nun "passthrough" in pipeline.FeatureUnion. Wenn ein Transformer auf "passthrough" gesetzt wird, werden die Features unverändert übergeben. #20860 von Shubhraneel Pal.

• Fix pipeline.Pipeline validiert nun keine Hyperparameter mehr in __init__, sondern in .fit(). #21888 von iofall und Arisa Y..

• Fix pipeline.FeatureUnion validiert keine Hyperparameter in __init__. Die Validierung wird nun in .fit() und .fit_transform() durchgeführt. #21954 von iofall und Arisa Y..

• Fix Definiert __sklearn_is_fitted__ in pipeline.FeatureUnion, um korrekte Ergebnisse mit utils.validation.check_is_fitted zu liefern. #22953 von randomgeek78.

sklearn.preprocessing

• Feature preprocessing.OneHotEncoder unterstützt nun das Gruppieren von seltenen Kategorien zu einer einzigen Spalte. Das Gruppieren seltener Kategorien wird durch die Angabe, wie seltene Kategorien ausgewählt werden sollen, mit min_frequency oder max_categories aktiviert. #16018 von Thomas Fan.

• Enhancement Fügt einen subsample-Parameter zu preprocessing.KBinsDiscretizer hinzu. Dies ermöglicht die Angabe einer maximalen Anzahl von Stichproben, die bei der Anpassung des Modells verwendet werden sollen. Die Option ist nur verfügbar, wenn strategy auf quantile gesetzt ist. #21445 von Felipe Bidu und Amanda Dsouza.

• Enhancement Fügt encoded_missing_value zu preprocessing.OrdinalEncoder hinzu, um den kodierten Wert für fehlende Daten zu konfigurieren. #21988 von Thomas Fan.

• Enhancement Fügt die Methode get_feature_names_out und einen neuen Parameter feature_names_out zu preprocessing.FunctionTransformer hinzu. Sie können feature_names_out auf 'one-to-one' setzen, um die Eingabefeature-Namen als Ausgabefeature-Namen zu verwenden, oder Sie können es auf einen Aufrufbaren setzen, der die Ausgabefeature-Namen zurückgibt. Dies ist besonders nützlich, wenn der Transformer die Anzahl der Features ändert. Wenn feature_names_out None ist (was der Standard ist), dann ist get_output_feature_names nicht definiert. #21569 von Aurélien Geron.

• Enhancement Fügt get_feature_names_out zu preprocessing.Normalizer, preprocessing.KernelCenterer, preprocessing.OrdinalEncoder und preprocessing.Binarizer hinzu. #21079 von Thomas Fan.

• Fix preprocessing.PowerTransformer mit method='yeo-johnson' unterstützt stark nicht-gaußsche Daten besser bei der Suche nach einem optimalen Lambda. #20653 von Thomas Fan.

• Fix preprocessing.LabelBinarizer validiert nun Eingabeparameter in fit anstatt in __init__. #21434 von Krum Arnaudov.

• Fix preprocessing.FunctionTransformer mit check_inverse=True gibt nun eine informative Fehlermeldung aus, wenn die Eingabe gemischte Datentypen aufweist. #19916 von Zhehao Liu.

• Fix preprocessing.KBinsDiscretizer behandelt Bin-Kanten nun konsistenter. #14975 von Andreas Müller und #22526 von Meekail Zain.

• Fix Fügt preprocessing.KBinsDiscretizer.get_feature_names_out-Unterstützung hinzu, wenn encode="ordinal" ist. #22735 von Thomas Fan.

sklearn.random_projection

• Enhancement Fügt eine Methode inverse_transform und einen Parameter compute_inverse_transform zu random_projection.GaussianRandomProjection und random_projection.SparseRandomProjection hinzu. Wenn der Parameter auf True gesetzt ist, wird die Pseudoinverse der Komponenten während fit berechnet und als inverse_components_ gespeichert. #21701 von Aurélien Geron.

• Enhancement random_projection.SparseRandomProjection und random_projection.GaussianRandomProjection erhalten den Datentyp für numpy.float32. #22114 von Takeshi Oura.

• Enhancement Fügt get_feature_names_out zu allen Transformer im Modul sklearn.random_projection hinzu: random_projection.GaussianRandomProjection und random_projection.SparseRandomProjection. #21330 von Loïc Estève.

sklearn.svm

• Enhancement svm.OneClassSVM, svm.NuSVC, svm.NuSVR, svm.SVC und svm.SVR geben nun n_iter_ aus, die Anzahl der Iterationen der libsvm-Optimierungsroutine. #21408 von Juan Martín Loyola.

• Enhancement svm.SVR, svm.SVC, svm.NuSVR, svm.OneClassSVM, svm.NuSVC lösen nun einen Fehler aus, wenn die Schätzung des dualen Abstands nicht-endliche Parametergewichte ergibt. #22149 von Christian Ritter und Norbert Preining.

• Fix svm.NuSVC, svm.NuSVR, svm.SVC, svm.SVR, svm.OneClassSVM validieren nun Eingabeparameter in fit anstatt in __init__. #21436 von Haidar Almubarak.

sklearn.tree

• Enhancement tree.DecisionTreeClassifier und tree.ExtraTreeClassifier haben das neue criterion="log_loss", das äquivalent zu criterion="entropy" ist. #23047 von Christian Lorentzen.

• Fix Behebt einen Fehler im Poisson-Splitting-Kriterium für tree.DecisionTreeRegressor. #22191 von Christian Lorentzen.

• API Change Der Standardwert von max_features wurde auf 1.0 für tree.ExtraTreeRegressor und auf "sqrt" für tree.ExtraTreeClassifier geändert, was das Fit-Ergebnis nicht ändern wird. Der ursprüngliche Standardwert "auto" wurde als veraltet markiert und wird in Version 1.3 entfernt. Das Setzen von max_features auf "auto" ist auch für tree.DecisionTreeClassifier und tree.DecisionTreeRegressor veraltet. #22476 von Zhehao Liu.

sklearn.utils

• Enhancement utils.check_array und utils.multiclass.type_of_target akzeptieren nun einen Parameter input_name, um die Fehlermeldung informativer zu gestalten, wenn ungültige Eingabedaten übergeben werden (z. B. mit NaN oder unendlichen Werten). #21219 von Olivier Grisel.

• Enhancement utils.check_array gibt ein Float-ndarray mit np.nan zurück, wenn es mit einem Float32- oder Float64-Pandas-Erweiterungsarray mit pd.NA übergeben wird. #21278 von Thomas Fan.

• Enhancement utils.estimator_html_repr zeigt eine hilfreichere Fehlermeldung an, wenn es in einem nicht vertrauenswürdigen Jupyter-Notebook ausgeführt wird. #21316 von Thomas Fan.

• Enhancement utils.estimator_html_repr zeigt einen Pfeil in der oberen linken Ecke der HTML-Darstellung an, um zu zeigen, wie die Elemente klickbar sind. #21298 von Thomas Fan.

• Enhancement utils.check_array gibt mit dtype=None numerische Arrays zurück, wenn es mit einem Pandas DataFrame mit gemischten Datentypen übergeben wird. dtype="numeric" wird auch den Datentyp besser ableiten, wenn der DataFrame gemischte Datentypen hat. #22237 von Thomas Fan.

• Enhancement utils.check_scalar hat nun bessere Meldungen bei der Anzeige des Typs. #22218 von Thomas Fan.

• Fix Ändert die Fehlermeldung der ValidationError, die von utils.check_X_y ausgelöst wird, wenn y None ist, so dass sie mit der check_requires_y_none-Estimator-Prüfung kompatibel ist. #22578 von Claudio Salvatore Arcidiacono.

• Fix utils.class_weight.compute_class_weight erfordert nun nur noch, dass alle Klassen in y ein Gewicht in class_weight haben. Eine Fehlermeldung wird weiterhin ausgelöst, wenn eine Klasse in y, aber nicht in class_weight vorhanden ist. #22595 von Thomas Fan.

• Fix utils.estimator_html_repr hat eine verbesserte Visualisierung für verschachtelte Meta-Estimator. #21310 von Thomas Fan.

• Fix utils.check_scalar löst einen Fehler aus, wenn include_boundaries={"left", "right"} und die Grenzen nicht gesetzt sind. #22027 von Marie Lanternier.

• Fix utils.metaestimators.available_if gibt korrekt eine gebundene Methode zurück, die serialisiert werden kann. #23077 von Thomas Fan.

• API Change Das Argument von utils.estimator_checks.check_estimator heißt jetzt estimator (der vorherige Name war Estimator). #22188 von Mathurin Massias.

• API Change utils.metaestimators.if_delegate_has_method ist veraltet und wird in Version 1.3 entfernt. Verwenden Sie stattdessen utils.metaestimators.available_if. #22830 von Jérémie du Boisberranger.

Code- und Dokumentationsbeitragende

Vielen Dank an alle, die seit Version 1.0 zur Wartung und Verbesserung des Projekts beigetragen haben, darunter

2357juan, Abhishek Gupta, adamgonzo, Adam Li, adijohar, Aditya Kumawat, Aditya Raghuwanshi, Aditya Singh, Adrian Trujillo Duron, Adrin Jalali, ahmadjubair33, AJ Druck, aj-white, Alan Peixinho, Alberto Mario Ceballos-Arroyo, Alek Lefebvre, Alex, Alexandr, Alexandre Gramfort, alexanmv, almeidayoel, Amanda Dsouza, Aman Sharma, Amar pratap singh, Amit, amrcode, András Simon, Andreas Grivas, Andreas Mueller, Andrew Knyazev, Andriy, Angus L’Herrou, Ankit Sharma, Anne Ducout, Arisa, Arth, arthurmello, Arturo Amor, ArturoAmor, Atharva Patil, aufarkari, Aurélien Geron, avm19, Ayan Bag, baam, Bardiya Ak, Behrouz B, Ben3940, Benjamin Bossan, Bharat Raghunathan, Bijil Subhash, bmreiniger, Brandon Truth, Brenden Kadota, Brian Sun, cdrig, Chalmer Lowe, Chiara Marmo, Chitteti Srinath Reddy, Chloe-Agathe Azencott, Christian Lorentzen, Christian Ritter, christopherlim98, Christoph T. Weidemann, Christos Aridas, Claudio Salvatore Arcidiacono, combscCode, Daniela Fernandes, darioka, Darren Nguyen, Dave Eargle, David Gilbertson, David Poznik, Dea María Léon, Dennis Osei, DessyVV, Dev514, Dimitri Papadopoulos Orfanos, Diwakar Gupta, Dr. Felix M. Riese, drskd, Emiko Sano, Emmanouil Gionanidis, EricEllwanger, Erich Schubert, Eric Larson, Eric Ndirangu, ErmolaevPA, Estefania Barreto-Ojeda, eyast, Fatima GASMI, Federico Luna, Felix Glushchenkov, fkaren27, Fortune Uwha, FPGAwesome, francoisgoupil, Frans Larsson, ftorres16, Gabor Berei, Gabor Kertesz, Gabriel Stefanini Vicente, Gabriel S Vicente, Gael Varoquaux, GAURAV CHOUDHARY, Gauthier I, genvalen, Geoffrey-Paris, Giancarlo Pablo, glennfrutiz, gpapadok, Guillaume Lemaitre, Guillermo Tomás Fernández Martín, Gustavo Oliveira, Haidar Almubarak, Hannah Bohle, Hansin Ahuja, Haoyin Xu, Haya, Helder Geovane Gomes de Lima, henrymooresc, Hideaki Imamura, Himanshu Kumar, Hind-M, hmasdev, hvassard, i-aki-y, iasoon, Inclusive Coding Bot, Ingela, iofall, Ishan Kumar, Jack Liu, Jake Cowton, jalexand3r, J Alexander, Jauhar, Jaya Surya Kommireddy, Jay Stanley, Jeff Hale, je-kr, JElfner, Jenny Vo, Jérémie du Boisberranger, Jihane, Jirka Borovec, Joel Nothman, Jon Haitz Legarreta Gorroño, Jordan Silke, Jorge Ciprián, Jorge Loayza, Joseph Chazalon, Joseph Schwartz-Messing, Jovan Stojanovic, JSchuerz, Juan Carlos Alfaro Jiménez, Juan Martin Loyola, Julien Jerphanion, katotten, Kaushik Roy Chowdhury, Ken4git, Kenneth Prabakaran, kernc, Kevin Doucet, KimAYoung, Koushik Joshi, Kranthi Sedamaki, krishna kumar, krumetoft, lesnee, Lisa Casino, Logan Thomas, Loic Esteve, Louis Wagner, LucieClair, Lucy Liu, Luiz Eduardo Amaral, Magali, MaggieChege, Mai, mandjevant, Mandy Gu, Manimaran, MarcoM, Marco Wurps, Maren Westermann, Maria Boerner, MarieS-WiMLDS, Martel Corentin, martin-kokos, mathurinm, Matías, matjansen, Matteo Francia, Maxwell, Meekail Zain, Megabyte, Mehrdad Moradizadeh, melemo2, Michael I Chen, michalkrawczyk, Micky774, milana2, millawell, Ming-Yang Ho, Mitzi, miwojc, Mizuki, mlant, Mohamed Haseeb, Mohit Sharma, Moonkyung94, mpoemsl, MrinalTyagi, Mr. Leu, msabatier, murata-yu, N, Nadirhan Şahin, Naipawat Poolsawat, NartayXD, nastegiano, nathansquan, nat-salt, Nicki Skafte Detlefsen, Nicolas Hug, Niket Jain, Nikhil Suresh, Nikita Titov, Nikolay Kondratyev, Ohad Michel, Oleksandr Husak, Olivier Grisel, partev, Patrick Ferreira, Paul, pelennor, PierreAttard, Piet Brömmel, Pieter Gijsbers, Pinky, poloso, Pramod Anantharam, puhuk, Purna Chandra Mansingh, QuadV, Rahil Parikh, Randall Boyes, randomgeek78, Raz Hoshia, Reshama Shaikh, Ricardo Ferreira, Richard Taylor, Rileran, Rishabh, Robin Thibaut, Rocco Meli, Roman Feldbauer, Roman Yurchak, Ross Barnowski, rsnegrin, Sachin Yadav, sakinaOuisrani, Sam Adam Day, Sanjay Marreddi, Sebastian Pujalte, SEELE, SELEE, Seyedsaman (Sam) Emami, ShanDeng123, Shao Yang Hong, sharmadharmpal, shaymerNaturalint, Shuangchi He, Shubhraneel Pal, siavrez, slishak, Smile, spikebh, sply88, Srinath Kailasa, Stéphane Collot, Sultan Orazbayev, Sumit Saha, Sven Eschlbeck, Sven Stehle, Swapnil Jha, Sylvain Marié, Takeshi Oura, Tamires Santana, Tenavi, teunpe, Theis Ferré Hjortkjær, Thiruvenkadam, Thomas J. Fan, t-jakubek, toastedyeast, Tom Dupré la Tour, Tom McTiernan, TONY GEORGE, Tyler Martin, Tyler Reddy, Udit Gupta, Ugo Marchand, Varun Agrawal, Venkatachalam N, Vera Komeyer, victoirelouis, Vikas Vishwakarma, Vikrant khedkar, Vladimir Chernyy, Vladimir Kim, WeijiaDu, Xiao Yuan, Yar Khine Phyo, Ying Xiong, yiyangq, Yosshi999, Yuki Koyama, Zach Deane-Mayer, Zeel B Patel, zempleni, zhenfisher, 赵丰 (Zhao Feng)