Version 1.2

Für eine kurze Beschreibung der wichtigsten Highlights des Releases, siehe Release Highlights für scikit-learn 1.2.

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 1.2.2

März 2023

Änderungsprotokoll

sklearn.base

• Fix Wenn set_output(transform="pandas") verwendet wird, behält base.TransformerMixin den Index bei, wenn die transform-Ausgabe bereits ein DataFrame ist. #25747 von Thomas Fan.

sklearn.calibration

• Fix Eine Deprecation-Warnung wird ausgegeben, wenn das Präfix base_estimator__ verwendet wird, um Parameter des in calibration.CalibratedClassifierCV verwendeten Estimators zu setzen. #25477 von Tim Head.

sklearn.cluster

• Fix Ein Fehler in cluster.BisectingKMeans wurde behoben, der zufällige Fehler bei fit aufgrund einer Permutation der Labels beim Ausführen mehrerer Inits verhinderte. #25563 von Jérémie du Boisberranger.

sklearn.compose

• Fix Ein Fehler in compose.ColumnTransformer wurde behoben, der nun leere Spaltenauswahlen unterstützt, wenn set_output(transform="pandas") verwendet wird. #25570 von Thomas Fan.

sklearn.ensemble

• Fix Eine Deprecation-Warnung wird ausgegeben, wenn das Präfix base_estimator__ verwendet wird, um Parameter der in ensemble.AdaBoostClassifier, ensemble.AdaBoostRegressor, ensemble.BaggingClassifier und ensemble.BaggingRegressor verwendeten Estimators zu setzen. #25477 von Tim Head.

sklearn.feature_selection

• Fix Ein Fehler wurde behoben, bei dem ein negativer Wert für tol von feature_selection.SequentialFeatureSelector nicht mehr akzeptiert wurde. #25664 von Jérémie du Boisberranger.

sklearn.inspection

• Fix Eine aussagekräftigere Fehlermeldung wird in inspection.partial_dependence ausgegeben, wenn mit gemischten Datentypen von Kategorien umgegangen wird, die von numpy.unique nicht sortiert werden können. Dieses Problem tritt normalerweise auf, wenn Kategorien vom Typ str sind und fehlende Werte mit np.nan vorhanden sind. #25774 von Guillaume Lemaitre.

sklearn.isotonic

• Fix Ein Fehler in isotonic.IsotonicRegression wurde behoben, bei dem isotonic.IsotonicRegression.predict ein Pandas DataFrame zurückgab, wenn die globale Konfiguration transform_output="pandas" gesetzt hatte. #25500 von Guillaume Lemaitre.

sklearn.preprocessing

• Fix Das Attribut preprocessing.OneHotEncoder.drop_idx_ referenziert nun korrekt die verworfene Kategorie im Attribut categories_, wenn seltene Kategorien vorhanden sind. #25589 von Thomas Fan.

• Fix preprocessing.OrdinalEncoder unterstützt nun korrekt encoded_missing_value oder unknown_value, die auf die Kardinalität einer Kategorie gesetzt sind, wenn fehlende Werte in den Trainingsdaten vorhanden sind. #25704 von Thomas Fan.

sklearn.tree

• Fix Ein Fehler wurde in tree.DecisionTreeClassifier, tree.DecisionTreeRegressor, tree.ExtraTreeClassifier und tree.ExtraTreeRegressor behoben, bei dem in Version 1.2 keine Fehlermeldung mehr ausgegeben wurde, wenn min_sample_split=1 gesetzt war. #25744 von Jérémie du Boisberranger.

sklearn.utils

• Fix Ein Fehler in utils.check_array wurde behoben, der nun korrekt eine Nicht-Endlichkeitsprüfung gemäß der Array-API-Spezifikation durchführt. #25619 von Thomas Fan.

• Fix utils.multiclass.type_of_target kann Pandas Nullable-Datentypen als Klassifizierungsziele identifizieren. #25638 von Thomas Fan.

Version 1.2.1

Januar 2023

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 Die angepassten Komponenten in decomposition.MiniBatchDictionaryLearning konnten abweichen. Die Online-Updates dersufficient statistics berücksichtigen nun korrekt die Größen der Batches. #25354 von Jérémie du Boisberranger.

• Fix Das Attribut categories_ von preprocessing.OneHotEncoder enthält nun immer ein Array von object`s wenn vordefinierte Kategorien verwendet werden, die Zeichenketten sind. Vordefinierte Kategorien, die als Bytes kodiert sind, funktionieren nicht mehr mit `X, das als Zeichenketten kodiert ist. #25174 von Tim Head.

Änderungen, die alle Module betreffen

• Fix Unterstützung für pandas.Int64-dtypisiertes y für Klassifikatoren und Regressoren. #25089 von Tim Head.

• Fix Entfernung von irreführenden Warnungen für Estimators, die intern Nachbarschaftssuchmethoden verwenden. #25129 von Julien Jerphanion.

• Fix Ein Fehler wurde behoben, bei dem die aktuelle Konfiguration in Estimators, die n_jobs > 1 verwenden, ignoriert wurde. Dieser Fehler wurde für Aufgaben ausgelöst, die vom Hilfs-Thread von joblib verteilt wurden, da sklearn.get_config auf eine leere Thread-lokale Konfiguration zugriff, anstatt auf die Konfiguration, die vom Thread aus sichtbar war, in dem joblib.Parallel zuerst aufgerufen wurde. #25363 von Guillaume Lemaitre.

Änderungsprotokoll

sklearn.base

• Fix Ein Fehler wurde in BaseEstimator.__getstate__ behoben, der die Serialisierung bestimmter Estimators unter Verwendung von Python 3.11 verhinderte. #25188 von Benjamin Bossan.

• Fix Das Erben von base.TransformerMixin umschließt die transform-Methode nur, wenn die Klasse selbst transform definiert. #25295 von Thomas Fan.

sklearn.datasets

• Fix Eine Inkonsistenz in datasets.fetch_openml zwischen dem liac-arff und dem Pandas-Parser wurde behoben, wenn nach dem Trennzeichen ein führendes Leerzeichen eingefügt wurde. Die ARFF-Spezifikationen verlangen, dass führende Leerzeichen ignoriert werden. #25312 von Guillaume Lemaitre.

• Fix Ein Fehler in datasets.fetch_openml wurde behoben, als parser="pandas" verwendet wurde und einzelne Anführungszeichen und Backslash-Escape-Zeichen nicht richtig behandelt wurden. #25511 von Guillaume Lemaitre.

sklearn.decomposition

• Fix Ein Fehler in decomposition.MiniBatchDictionaryLearning wurde behoben, bei dem die Online-Updates der sufficient statistics nicht korrekt waren, wenn partial_fit auf Batches unterschiedlicher Größe aufgerufen wurde. #25354 von Jérémie du Boisberranger.

• Fix decomposition.DictionaryLearning unterstützt schreibgeschützte NumPy-Arrays besser. Insbesondere unterstützt es große Datensätze, die bei der Verwendung mit Koordinatendescendent-Algorithmen (d. h. wenn fit_algorithm='cd') speicherabbildbar sind, besser. #25172 von Julien Jerphanion.

sklearn.ensemble

• Fix ensemble.RandomForestClassifier, ensemble.RandomForestRegressor, ensemble.ExtraTreesClassifier und ensemble.ExtraTreesRegressor unterstützen nun spärliche schreibgeschützte Datensätze. #25341 von Julien Jerphanion

sklearn.feature_extraction

• Fix feature_extraction.FeatureHasher löst eine aussagekräftige Fehlermeldung aus, wenn die Eingabe eine Liste von Zeichenketten ist. #25094 von Thomas Fan.

sklearn.linear_model

• Fix Ein Fehler wurde in linear_model.SGDClassifier und linear_model.SGDRegressor behoben, der sie mit dem Parameter verbose größer als 0 unbenutzbar machte. #25250 von Jérémie Du Boisberranger.

sklearn.manifold

• Fix manifold.TSNE funktioniert nun korrekt, wenn der Ausgabetyp auf Pandas gesetzt ist. #25370 von Tim Head.

sklearn.model_selection

• Fix model_selection.cross_validate mit Multimetrik-Scoring gibt im Falle einiger fehlerhafter Scorer die nicht fehlerhaften Scorer nun mit korrekten Werten statt error_score-Werten zurück. #23101 von András Simon und Thomas Fan.

sklearn.neural_network

• Fix neural_network.MLPClassifier und neural_network.MLPRegressor geben keine Warnungen mehr aus, wenn Daten mit Feature-Namen angepasst werden. #24873 von Tim Head.

• Fix Verbesserung der Fehlermeldung in neural_network.MLPClassifier und neural_network.MLPRegressor, wenn early_stopping=True ist und partial_fit aufgerufen wird. #25694 von Thomas Fan.

sklearn.preprocessing

• Fix preprocessing.FunctionTransformer.inverse_transform unterstützt DataFrames, die vollständig numerisch sind, korrekt, wenn check_inverse=True gesetzt ist. #25274 von Thomas Fan.

• Fix preprocessing.SplineTransformer.get_feature_names_out gibt korrekt Feature-Namen zurück, wenn extrapolations="periodic" gesetzt ist. #25296 von Thomas Fan.

sklearn.tree

• Fix tree.DecisionTreeClassifier, tree.DecisionTreeRegressor tree.ExtraTreeClassifier und tree.ExtraTreeRegressor unterstützen nun spärliche schreibgeschützte Datensätze. #25341 von Julien Jerphanion

sklearn.utils

• Fix Das Verhalten von utils.check_array für Pandas Series vom Typ boolean wurde wiederhergestellt. Der Typ bleibt erhalten, anstatt in float64 konvertiert zu werden. #25147 von Tim Head.

• API Change utils.fixes.delayed ist in Version 1.2.1 veraltet und wird in Version 1.5 entfernt. Importieren Sie stattdessen utils.parallel.delayed und verwenden Sie es in Verbindung mit dem neu eingeführten utils.parallel.Parallel, um die ordnungsgemäße Weitergabe der scikit-learn-Konfiguration an die Worker sicherzustellen. #25363 von Guillaume Lemaitre.

Version 1.2.0

Dezember 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.

• Enhancement Der Standardwert von eigen_tol für cluster.SpectralClustering, manifold.SpectralEmbedding, cluster.spectral_clustering und manifold.spectral_embedding ist nun None, wenn die Solver 'amg' oder 'lobpcg' verwendet werden. Diese Änderung verbessert die numerische Stabilität des Solvers, kann aber zu einem anderen Modell führen.

• Enhancement linear_model.GammaRegressor, linear_model.PoissonRegressor und linear_model.TweedieRegressor können mit dem lbfgs-Solver eine höhere Präzision erreichen, insbesondere wenn tol auf einen winzigen Wert gesetzt ist. Darüber hinaus wird verbose nun ordnungsgemäß an L-BFGS-B weitergegeben. #23619 von Christian Lorentzen.

• Enhancement Der Standardwert für eps in metrics.log_loss hat sich von 1e-15 auf "auto" geändert. "auto" setzt eps auf np.finfo(y_pred.dtype).eps. #24354 von Safiuddin Khaja und gsiisg.

• Fix Das Vorzeichen von components_ in decomposition.SparsePCA wurde deterministisch gemacht. #23935 von Guillaume Lemaitre.

• Fix Die Vorzeichen von components_ in decomposition.FastICA konnten abweichen. Sie sind nun konsistent und deterministisch mit allen SVD-Solvern. #22527 von Meekail Zain und Thomas Fan.

• Fix Die Bedingung für das frühe Stoppen wurde in linear_model._sgd_fast._plain_sgd geändert, das von linear_model.SGDRegressor und linear_model.SGDClassifier verwendet wird. Die alte Bedingung unterschied nicht zwischen Trainings- und Validierungsdatensatz und hatte die Auswirkung einer Überskalierung der Fehlertoleranz. Dies wurde in #23798 behoben von Harsh Agrawal.

• Fix Für model_selection.GridSearchCV und model_selection.RandomizedSearchCV werden die Ränge, die NaN-Scores entsprechen, alle auf den maximal möglichen Rang gesetzt. #24543 von Guillaume Lemaitre.

• API Change Der Standardwert von tol wurde von 1e-3 auf 1e-4 für linear_model.ridge_regression, linear_model.Ridge und linear_model.RidgeClassifier geändert. #24465 von Christian Lorentzen.

Änderungen, die alle Module betreffen

• Major Feature Die set_output API wurde von allen Transformern übernommen. Meta-Estimators, die Transformer enthalten, wie z. B. pipeline.Pipeline oder compose.ColumnTransformer, definieren ebenfalls eine set_output-Methode. Details finden Sie in SLEP018. #23734 und #24699 von Thomas Fan.

• Effizienz Low-Level-Routinen für Reduktionen auf paarweisen Abständen für dichte float32-Datensätze wurden refaktorisiert. Die folgenden Funktionen und Schätzer profitieren nun von verbesserten Leistungen in Bezug auf Hardware-Skalierbarkeit und Geschwindigkeitssteigerungen.

  • 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

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

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

  #23865 von Julien Jerphanion.

• Verbesserung Endlichkeitsprüfungen (Erkennung von NaN- und unendlichen Werten) in allen Schätzern sind nun deutlich effizienter für float32-Daten, indem sie die SIMD-optimierten Primitive von NumPy nutzen. #23446 von Meekail Zain

• Verbesserung Endlichkeitsprüfungen (Erkennung von NaN- und unendlichen Werten) in allen Schätzern sind nun schneller, indem ein effizienterer Algorithmus zur frühzeitigen Erkennung verwendet wird. #23197 von Meekail Zain

• Verbesserung Unterstützung für Kombinationen von dichten und dünn besetzten Datensatzpaaren für alle Distanzmetriken und für float32- und float64-Datensätze wurde für die folgenden Schätzer hinzugefügt oder deren Leistung wurde verbessert.

  • sklearn.metrics.pairwise_distances_argmin

  • sklearn.metrics.pairwise_distances_argmin_min

  • sklearn.cluster.AffinityPropagation

  • sklearn.cluster.Birch

  • sklearn.cluster.SpectralClustering

  • sklearn.neighbors.KNeighborsClassifier

  • sklearn.neighbors.KNeighborsRegressor

  • sklearn.neighbors.RadiusNeighborsClassifier

  • sklearn.neighbors.RadiusNeighborsRegressor

  • sklearn.neighbors.LocalOutlierFactor

  • sklearn.neighbors.NearestNeighbors

  • sklearn.manifold.Isomap

  • sklearn.manifold.TSNE

  • sklearn.manifold.trustworthiness

  #23604 und #23585 von Julien Jerphanion, Olivier Grisel und Thomas Fan, #24556 von Vincent Maladière.

• Korrektur Systematische Überprüfung des sha256-Digests von Datensatz-Tarballs, die in Codebeispielen in der Dokumentation verwendet werden. #24617 von Olivier Grisel und Thomas Fan. Dank an Sim4n6 für den Bericht.

Änderungsprotokoll

sklearn.base

• Verbesserung Einführung der Mixins base.ClassNamePrefixFeaturesOutMixin und base.ClassNamePrefixFeaturesOutMixin, die get_feature_names_out für gängige Transformer-Anwendungsfälle definieren. #24688 von Thomas Fan.

sklearn.calibration

• API-Änderung Umbenennung von base_estimator in estimator in calibration.CalibratedClassifierCV zur Verbesserung der Lesbarkeit und Konsistenz. Der Parameter base_estimator ist veraltet und wird in 1.4 entfernt. #22054 von Kevin Roice.

sklearn.cluster

• Effizienz cluster.KMeans mit algorithm="lloyd" ist nun schneller und verbraucht weniger Speicher. #24264 von Vincent Maladière.

• Verbesserung Die Methoden predict und fit_predict von cluster.OPTICS akzeptieren nun dünn besetzte Datentypen für Eingabedaten. #14736 von Hunt Zhan, #20802 von Brandon Pokorny und #22965 von Meekail Zain.

• Verbesserung cluster.Birch behält nun den dtype für numpy.float32-Eingaben bei. #22968 von Meekail Zain <micky774>.

• Verbesserung cluster.KMeans und cluster.MiniBatchKMeans akzeptieren nun eine neue Option 'auto' für n_init, die die Anzahl der zufälligen Initialisierungen bei Verwendung von init='k-means++' zur Effizienz auf eins reduziert. Dies ist der Beginn der Verwerfung der Standardwerte von n_init in den beiden Klassen, und beide werden ihre Standardwerte in 1.4 auf n_init='auto' ändern. #23038 von Meekail Zain.

• Verbesserung cluster.SpectralClustering und cluster.spectral_clustering leiten nun den Parameter eigen_tol an alle Wahlmöglichkeiten von eigen_solver weiter. Enthält eine neue Option eigen_tol="auto" und beginnt mit der Verwerfung, um den Standardwert von eigen_tol=0 in Version 1.3 auf eigen_tol="auto" zu ändern. #23210 von Meekail Zain.

• Korrektur cluster.KMeans unterstützt nun schreibgeschützte Attribute bei der Vorhersage. #24258 von Thomas Fan

• API-Änderung Das Attribut affinity ist nun für cluster.AgglomerativeClustering veraltet und wird in v1.4 in metric umbenannt. #23470 von Meekail Zain.

sklearn.datasets

• Verbesserung Einführung des neuen Parameters parser in datasets.fetch_openml. parser="pandas" ermöglicht die Verwendung des sehr CPU- und speichereffizienten pandas.read_csv Parsers zum Laden dichter ARFF-formatierter Datensatzdateien. Es ist möglich, parser="liac-arff" zu übergeben, um den alten LIAC-Parser zu verwenden. Wenn parser="auto", werden dichte Datensätze mit "pandas" und dünn besetzte Datensätze mit "liac-arff" geladen. Derzeit ist parser="liac-arff" standardmäßig eingestellt und wird in Version 1.4 auf parser="auto" geändert. #21938 von Guillaume Lemaitre.

• Verbesserung datasets.dump_svmlight_file wird nun mit einer Cython-Implementierung beschleunigt, was 2-4-fache Geschwindigkeitssteigerungen bietet. #23127 von Meekail Zain

• Verbesserung Pfadähnliche Objekte, wie z. B. solche, die mit pathlib erstellt wurden, werden nun als Pfade in datasets.load_svmlight_file und datasets.load_svmlight_files zugelassen. #19075 von Carlos Ramos Carreño.

• Korrektur Sicherstellen, dass datasets.fetch_lfw_people und datasets.fetch_lfw_pairs intern Bilder basierend auf dem Parameter slice_ zuschneiden. #24951 von Guillaume Lemaitre.

sklearn.decomposition

• Effizienz decomposition.FastICA.fit wurde hinsichtlich seines Speicherbedarfs und seiner Laufzeit optimiert. #22268 von MohamedBsh.

• Verbesserung decomposition.SparsePCA und decomposition.MiniBatchSparsePCA implementieren nun eine Funktion inverse_transform. #23905 von Guillaume Lemaitre.

• Verbesserung decomposition.FastICA ermöglicht dem Benutzer nun die Auswahl, wie die Weißung durchgeführt wird, über den neuen Parameter whiten_solver, der svd und eigh unterstützt. whiten_solver ist standardmäßig auf svd eingestellt, obwohl eigh in Fällen, in denen num_features > num_samples ist, schneller und speichereffizienter sein kann. #11860 von Pierre Ablin, #22527 von Meekail Zain und Thomas Fan.

• Verbesserung decomposition.LatentDirichletAllocation behält nun den dtype für numpy.float32-Eingaben bei. #24528 von Takeshi Oura und Jérémie du Boisberranger.

• Fix Das Vorzeichen von components_ in decomposition.SparsePCA wurde deterministisch gemacht. #23935 von Guillaume Lemaitre.

• API-Änderung Der Parameter n_iter von decomposition.MiniBatchSparsePCA ist veraltet und wird durch die Parameter max_iter, tol und max_no_improvement ersetzt, um mit decomposition.MiniBatchDictionaryLearning konsistent zu sein. n_iter wird in Version 1.3 entfernt. #23726 von Guillaume Lemaitre.

• API-Änderung Das Attribut n_features_ von decomposition.PCA ist zugunsten von n_features_in_ veraltet und wird in 1.4 entfernt. #24421 von Kshitij Mathur.

sklearn.discriminant_analysis

• Hauptmerkmal discriminant_analysis.LinearDiscriminantAnalysis unterstützt nun die Array API für solver="svd". Die Array API-Unterstützung gilt als experimentell und kann sich ohne unseren üblichen Rolling-Deprecation-Zyklus ändern. Weitere Details finden Sie unter Array API-Unterstützung (experimentell). #22554 von Thomas Fan.

• Korrektur Parameter nur in fit und nicht in __init__ für discriminant_analysis.QuadraticDiscriminantAnalysis validieren. #24218 von Stefanie Molin.

sklearn.ensemble

• Hauptmerkmal ensemble.HistGradientBoostingClassifier und ensemble.HistGradientBoostingRegressor unterstützen nun Interaktionsbeschränkungen über das Argument interaction_cst ihrer Konstruktoren. #21020 von Christian Lorentzen. Die Verwendung von Interaktionsbeschränkungen beschleunigt auch die Anpassung. #24856 von Christian Lorentzen.

• Merkmal Fügt class_weight zu ensemble.HistGradientBoostingClassifier hinzu. #22014 von Thomas Fan.

• Effizienz Verbesserung der Laufzeitleistung von ensemble.IsolationForest durch Vermeidung von Datenkopien. #23252 von Zhehao Liu.

• Verbesserung ensemble.StackingClassifier akzeptiert nun jede Art von Basis-Schätzer. #24538 von Guillem G Subies.

• Verbesserung Ermöglicht die Übergabe des Parameters categorical_features von ensemble.HistGradientBoostingClassifier und ensemble.HistGradientBoostingRegressor als Feature-Namen. #24889 von Olivier Grisel.

• Verbesserung ensemble.StackingClassifier unterstützt nun multilable-indicator-Ziel #24146 von Nicolas Peretti, Nestor Navarro, Nati Tomattis und Vincent Maladiere.

• Verbesserung ensemble.HistGradientBoostingClassifier und ensemble.HistGradientBoostingRegressor akzeptieren nun, dass ihr Parameter monotonic_cst als Wörterbuch zusätzlich zum zuvor unterstützten Array-ähnlichen Format übergeben wird. Solche Wörterbücher haben Feature-Namen als Schlüssel und einen der Werte -1, 0, 1, um Monotoniebeschränkungen für jedes Feature anzugeben. #24855 von Olivier Grisel.

• Verbesserung Interaktionsbeschränkungen für ensemble.HistGradientBoostingClassifier und ensemble.HistGradientBoostingRegressor können nun als Strings für zwei gängige Fälle angegeben werden: "no_interactions" und "pairwise" interactions. #24849 von Tim Head.

• Korrektur Behebt das Problem, dass ensemble.AdaBoostClassifier NaN in der Feature-Wichtigkeit ausgibt, wenn mit sehr kleinem Stichprobengewicht trainiert. #20415 von Zhehao Liu.

• Korrektur ensemble.HistGradientBoostingClassifier und ensemble.HistGradientBoostingRegressor lösen keinen Fehler mehr aus, wenn auf Kategorien vorhergesagt wird, die als negative Werte codiert sind, und betrachten sie stattdessen als Mitglied der "fehlenden Kategorie". #24283 von Thomas Fan.

• Korrektur ensemble.HistGradientBoostingClassifier und ensemble.HistGradientBoostingRegressor mit verbose>=1 drucken detaillierte Timing-Informationen zur Berechnung von Histogrammen und zur Suche nach besten Teilungen. Die Zeit im Wurzelknoten fehlte zuvor und ist nun in den gedruckten Informationen enthalten. #24894 von Christian Lorentzen.

• API-Änderung Umbenennung des Konstruktorparameters base_estimator in estimator in den folgenden Klassen: ensemble.BaggingClassifier, ensemble.BaggingRegressor, ensemble.AdaBoostClassifier, ensemble.AdaBoostRegressor. base_estimator ist in 1.2 veraltet und wird in 1.4 entfernt. #23819 von Adrian Trujillo und Edoardo Abati.

• API-Änderung Benennen Sie das angepasste Attribut base_estimator_ in estimator_ in den folgenden Klassen um: ensemble.BaggingClassifier, ensemble.BaggingRegressor, ensemble.AdaBoostClassifier, ensemble.AdaBoostRegressor, ensemble.RandomForestClassifier, ensemble.RandomForestRegressor, ensemble.ExtraTreesClassifier, ensemble.ExtraTreesRegressor, ensemble.RandomTreesEmbedding, ensemble.IsolationForest. base_estimator_ ist in Version 1.2 veraltet und wird in Version 1.4 entfernt. #23819 von Adrian Trujillo und Edoardo Abati.

sklearn.feature_selection

• Fehlerbehebung Behebt einen Fehler in feature_selection.mutual_info_regression und feature_selection.mutual_info_classif, bei dem die kontinuierlichen Merkmale in X unabhängig auf eine Einheitsvarianz skaliert werden sollten, wenn das Ziel y kontinuierlich oder diskret ist. #24747 von Guillaume Lemaitre

sklearn.gaussian_process

• Fehlerbehebung Behebt die Gradientenberechnung für gaussian_process.kernels.Matern mit nu=0.5 für PyPy (und möglicherweise andere Nicht-CPython-Interpreter). #24245 von Loïc Estève.

• Fehlerbehebung Die fit-Methode von gaussian_process.GaussianProcessRegressor ändert die Eingabe X nicht, wenn ein benutzerdefiniertes Kernel mit einer diag-Methode verwendet wird, die einen Teil der Eingabe X zurückgibt. #24405 von Omar Salman.

sklearn.impute

• Erweiterung Parameter keep_empty_features hinzugefügt zu impute.SimpleImputer, impute.KNNImputer und impute.IterativeImputer, um die Entfernung von Merkmalen, die nur fehlende Werte enthalten, beim Transformieren zu verhindern. #16695 von Vitor Santa Rosa.

sklearn.inspection

• Hauptmerkmal inspection.partial_dependence und inspection.PartialDependenceDisplay wurden erweitert, um kategoriale Merkmale zu verarbeiten. #18298 von Madhura Jayaratne und Guillaume Lemaitre.

• Fehlerbehebung inspection.DecisionBoundaryDisplay löst nun einen Fehler aus, wenn die Eingabedaten nicht 2-dimensional sind. #25077 von Arturo Amor.

sklearn.kernel_approximation

• Erweiterung kernel_approximation.RBFSampler behält nun den dtype für numpy.float32-Eingaben bei. #24317 von Tim Head <betatim>.

• Erweiterung kernel_approximation.SkewedChi2Sampler behält nun den dtype für numpy.float32-Eingaben bei. #24350 von Rahil Parikh.

• Erweiterung kernel_approximation.RBFSampler akzeptiert nun die Option 'scale' für den Parameter gamma. #24755 von Hleb Levitski.

sklearn.linear_model

• Erweiterung linear_model.LogisticRegression, linear_model.LogisticRegressionCV, linear_model.GammaRegressor, linear_model.PoissonRegressor und linear_model.TweedieRegressor erhielten einen neuen Solver solver="newton-cholesky". Dies ist eine Optimierungsroutine der 2. Ordnung (Newton), die eine Cholesky-Zerlegung der Hesse-Matrix verwendet. Wenn n_samples >> n_features, hat sich gezeigt, dass der "newton-cholesky"-Solver sowohl schneller konvergiert als auch eine Lösung mit höherer Präzision erzielt als der "lbfgs"-Solver bei Problemen mit One-Hot-kodierten kategorialen Variablen mit seltenen kategorialen Werten. #24637 und #24767 von Christian Lorentzen.

• Enhancement linear_model.GammaRegressor, linear_model.PoissonRegressor und linear_model.TweedieRegressor können mit dem lbfgs-Solver eine höhere Präzision erreichen, insbesondere wenn tol auf einen winzigen Wert gesetzt ist. Darüber hinaus wird verbose nun ordnungsgemäß an L-BFGS-B weitergegeben. #23619 von Christian Lorentzen.

• Fehlerbehebung linear_model.SGDClassifier und linear_model.SGDRegressor lösen einen Fehler aus, wenn alle Validierungsbeispiele ein Stichprobengewicht von Null haben. #23275 von Zhehao Liu <MaxwellLZH>.

• Fehlerbehebung linear_model.SGDOneClassSVM führt keine Parameterprüfung mehr im Konstruktor durch. Alle Prüfungen werden nun in fit() und partial_fit() durchgeführt. #24433 von Yogendrasingh, Arisa Y. und Tim Head.

• Fehlerbehebung Berechnet den durchschnittlichen Verlust neu, wenn Early Stopping in linear_model.SGDRegressor und linear_model.SGDClassifier aktiviert ist. Aktualisiert auch die Bedingung für Early Stopping entsprechend. #23798 von Harsh Agrawal.

• API-Änderung Der Standardwert für den Parameter solver in linear_model.QuantileRegressor wird in Version 1.4 von "interior-point" auf "highs" geändert. #23637 von Guillaume Lemaitre.

• API-Änderung Die String-Option "none" ist für das Argument penalty in linear_model.LogisticRegression veraltet und wird in Version 1.4 entfernt. Verwenden Sie stattdessen None. #23877 von Zhehao Liu.

• API Change Der Standardwert von tol wurde von 1e-3 auf 1e-4 für linear_model.ridge_regression, linear_model.Ridge und linear_model.RidgeClassifier geändert. #24465 von Christian Lorentzen.

sklearn.manifold

• Merkmal Fügt die Option hinzu, die normalisierte Belastung (normalized stress) in manifold.MDS zu verwenden. Dies wird durch Setzen des neuen Parameters normalize auf True aktiviert. #10168 von Łukasz Borchmann, #12285 von Matthias Miltenberger, #13042 von Matthieu Parizy, #18094 von Roth E Conrad und #22562 von Meekail Zain.

• Erweiterung Fügt den Parameter eigen_tol zu manifold.SpectralEmbedding hinzu. Sowohl manifold.spectral_embedding als auch manifold.SpectralEmbedding leiten nun eigen_tol an alle Optionen von eigen_solver weiter. Enthält eine neue Option eigen_tol="auto" und beginnt mit der Veralterung, um den Standardwert von eigen_tol=0 auf eigen_tol="auto" in Version 1.3 zu ändern. #23210 von Meekail Zain.

• Erweiterung manifold.Isomap behält nun den dtype für np.float32-Eingaben bei. #24714 von Rahil Parikh.

• API-Änderung Eine "auto"-Option wurde dem Argument normalized_stress in manifold.MDS und manifold.smacof hinzugefügt. Beachten Sie, dass normalized_stress nur für nicht-metrische MDS gültig ist. Daher aktiviert die "auto"-Option normalized_stress, wenn metric=False, und deaktiviert sie, wenn metric=True. "auto" wird der Standardwert für normalized_stress in Version 1.4. #23834 von Meekail Zain.

sklearn.metrics

• Merkmal metrics.ConfusionMatrixDisplay.from_estimator, metrics.ConfusionMatrixDisplay.from_predictions und metrics.ConfusionMatrixDisplay.plot akzeptieren einen Parameter text_kw, der an die text-Funktion von Matplotlib übergeben wird. #24051 von Thomas Fan.

• Merkmal metrics.class_likelihood_ratios wird hinzugefügt, um die positiven und negativen Likelihood-Ratios zu berechnen, die sich aus der Konfusionsmatrix eines binären Klassifizierungsproblems ergeben. #22518 von Arturo Amor.

• Merkmal Fügt metrics.PredictionErrorDisplay hinzu, um Residuen gegen vorhergesagte und tatsächliche gegen vorhergesagte Werte zu plotten und das Verhalten eines Regressors qualitativ zu bewerten. Die Anzeige kann mit den Klassenmethoden metrics.PredictionErrorDisplay.from_estimator und metrics.PredictionErrorDisplay.from_predictions erstellt werden. #18020 von Guillaume Lemaitre.

• Merkmal metrics.roc_auc_score unterstützt nun Micro-Averaging (average="micro") für den One-vs-Rest Multiklassenfall (multi_class="ovr"). #24338 von Arturo Amor.

• Erweiterung Fügt eine Option "auto" für eps in metrics.log_loss hinzu. Diese Option setzt den eps-Wert automatisch basierend auf dem Datentyp von y_pred. Darüber hinaus wird der Standardwert von eps von 1e-15 auf die neue Option "auto" geändert. #24354 von Safiuddin Khaja und gsiisg.

• Fehlerbehebung Ermöglicht csr_matrix als Eingabe für den Parameter: y_true der Metrik metrics.label_ranking_average_precision_score. #23442 von Sean Atukorala

• Fehlerbehebung metrics.ndcg_score löst nun eine Warnung aus, wenn der Wert y_true einen negativen Wert enthält. Benutzer können weiterhin negative Werte verwenden, aber das Ergebnis liegt möglicherweise nicht zwischen 0 und 1. Ab v1.4 wird die Übergabe negativer Werte für y_true einen Fehler auslösen. #22710 von Conroy Trinh und #23461 von Meekail Zain.

• Fehlerbehebung metrics.log_loss mit eps=0 gibt nun einen korrekten Wert von 0 oder np.inf anstelle von nan für Vorhersagen an den Grenzen (0 oder 1) zurück. Es akzeptiert auch Ganzzahleingaben. #24365 von Christian Lorentzen.

• API-Änderung Der Parameter sum_over_features von metrics.pairwise.manhattan_distances ist veraltet und wird in Version 1.4 entfernt. #24630 von Rushil Desai.

sklearn.model_selection

• Merkmal Fügt die Klasse model_selection.LearningCurveDisplay hinzu, die die einfache Darstellung von Lernkurven ermöglicht, die von der Funktion model_selection.learning_curve erhalten wurden. #24084 von Guillaume Lemaitre.

• Fehlerbehebung Für alle SearchCV-Klassen und scipy >= 1.10 wird der Rang, der einem NaN-Score entspricht, korrekt auf den maximal möglichen Rang gesetzt, anstatt auf np.iinfo(np.int32).min. #24141 von Loïc Estève.

• Fehlerbehebung In sowohl model_selection.HalvingGridSearchCV als auch model_selection.HalvingRandomSearchCV teilen sich Parameterkombinationen mit einem NaN-Score nun den niedrigsten Rang. #24539 von Tim Head.

• Fix Für model_selection.GridSearchCV und model_selection.RandomizedSearchCV werden die Ränge, die NaN-Scores entsprechen, alle auf den maximal möglichen Rang gesetzt. #24543 von Guillaume Lemaitre.

sklearn.multioutput

• Merkmal Hinzugefügte boolesche Flag verbose zu den Klassen: multioutput.ClassifierChain und multioutput.RegressorChain. #23977 von Eric Fiegel, Chiara Marmo, Lucy Liu, und Guillaume Lemaitre.

sklearn.naive_bayes

• Merkmal Fügt die Methode predict_joint_log_proba zu allen Naive Bayes-Klassifikatoren hinzu. #23683 von Andrey Melnik.

• Erweiterung Ein neuer Parameter force_alpha wurde zu naive_bayes.BernoulliNB, naive_bayes.ComplementNB, naive_bayes.CategoricalNB und naive_bayes.MultinomialNB hinzugefügt, der es dem Benutzer ermöglicht, den Parameter alpha auf eine sehr kleine Zahl größer oder gleich 0 zu setzen, die stattdessen zuvor automatisch auf 1e-10 geändert wurde. #16747 von @arka204, #18805 von @hongshaoyang, #22269 von Meekail Zain.

sklearn.neighbors

• Funktion Fügt die neue Funktion neighbors.sort_graph_by_row_values hinzu, um einen CSR-Sparse-Graphen so zu sortieren, dass jede Zeile mit steigenden Werten gespeichert wird. Dies ist nützlich, um die Effizienz bei der Verwendung von vordefinierten Sparse-Distanzmatrizen in verschiedenen Schätzern zu verbessern und eine EfficiencyWarning zu vermeiden. #23139 von Tom Dupre la Tour.

• Effizienz neighbors.NearestCentroid ist schneller und benötigt weniger Speicher, da er die Caches der CPUs besser nutzt, um Vorhersagen zu berechnen. #24645 von Olivier Grisel.

• Erweiterung Der Bandbreitenparameter von neighbors.KernelDensity akzeptiert nun die Definition über die Schätzmethoden von Scott und Silverman. #10468 von Ruben und #22993 von Jovan Stojanovic.

• Erweiterung neighbors.NeighborsBase akzeptiert nun die Minkowski-Semimetrik (d.h. wenn \(0 < p < 1\) für metric="minkowski") für algorithm="auto" oder algorithm="brute". #24750 von Rudresh Veerkhare

• Korrektur neighbors.NearestCentroid gibt nun eine informative Fehlermeldung zur Trainingszeit aus, anstatt mit einer Low-Level-Fehlermeldung zur Vorhersagezeit abzustürzen. #23874 von Juan Gomez.

• Korrektur Setzt n_jobs=None (anstelle von 1) standardmäßig für neighbors.KNeighborsTransformer und neighbors.RadiusNeighborsTransformer. #24075 von Valentin Laurent.

• Erweiterung neighbors.LocalOutlierFactor bewahrt nun den dtype für numpy.float32-Eingaben. #22665 von Julien Jerphanion.

sklearn.neural_network

• Korrektur neural_network.MLPClassifier und neural_network.MLPRegressor exponieren immer die Parameter best_loss_, validation_scores_ und best_validation_score_. best_loss_ wird auf None gesetzt, wenn early_stopping=True, während validation_scores_ und best_validation_score_ auf None gesetzt werden, wenn early_stopping=False. #24683 von Guillaume Lemaitre.

sklearn.pipeline

• Erweiterung pipeline.FeatureUnion.get_feature_names_out kann nun verwendet werden, wenn einer der Transformer in pipeline.FeatureUnion "passthrough" ist. #24058 von Diederik Perdok

• Erweiterung Die Klasse pipeline.FeatureUnion hat nun ein Attribut named_transformers zum Zugriff auf Transformer nach Namen. #20331 von Christopher Flynn.

sklearn.preprocessing

• Erweiterung preprocessing.FunctionTransformer versucht immer, n_features_in_ und feature_names_in_ zu setzen, unabhängig vom Parameter validate. #23993 von Thomas Fan.

• Korrektur preprocessing.LabelEncoder kodiert NaNs in transform korrekt. #22629 von Thomas Fan.

• API-Änderung Der Parameter sparse von preprocessing.OneHotEncoder ist nun veraltet und wird in Version 1.4 entfernt. Verwenden Sie stattdessen sparse_output. #24412 von Rushil Desai.

sklearn.svm

• API-Änderung Das Attribut class_weight_ ist nun veraltet für svm.NuSVR, svm.SVR, svm.OneClassSVM. #22898 von Meekail Zain.

sklearn.tree

• Erweiterung tree.plot_tree, tree.export_graphviz verwenden nun ein Kleinbuchstaben x[i] zur Darstellung des Merkmals i. #23480 von Thomas Fan.

sklearn.utils

• Funktion Ein neues Modul stellt Entwicklungswerkzeuge zur Verfügung, um Schätzer (d.h. utils.discovery.all_estimators), Anzeigen (d.h. utils.discovery.all_displays) und Funktionen (d.h. utils.discovery.all_functions) in scikit-learn zu entdecken. #21469 von Guillaume Lemaitre.

• Erweiterung utils.extmath.randomized_svd akzeptiert nun ein Argument lapack_svd_driver, um den Lapack-Treiber anzugeben, der in der internen deterministischen SVD des randomisierten SVD-Algorithmus verwendet wird. #20617 von Srinath Kailasa

• Erweiterung utils.validation.column_or_1d akzeptiert nun einen Parameter dtype zur Angabe des y-dypes. #22629 von Thomas Fan.

• Erweiterung utils.extmath.cartesian akzeptiert nun Arrays mit unterschiedlichen dtype und wird die Ausgabe auf den am weitesten erlaubten dtype umwandeln. #25067 von Guillaume Lemaitre.

• Korrektur utils.multiclass.type_of_target behandelt Sparse-Matrizen nun korrekt. #14862 von Léonard Binet.

• Korrektur Die HTML-Darstellung schlägt nun nicht mehr fehl, wenn eine Schätzerklasse als Wert in get_params vorhanden ist. #24512 von Thomas Fan.

• Korrektur utils.estimator_checks.check_estimator berücksichtigt nun korrekt das Tag requires_positive_X. #24667 von Thomas Fan.

• Korrektur utils.check_array unterstützt nun Pandas Series mit pd.NA, indem eine bessere Fehlermeldung ausgegeben oder ein kompatibles ndarray zurückgegeben wird. #25080 von Thomas Fan.

• API-Änderung Die zusätzlichen Schlüsselwortparameter von utils.extmath.density sind veraltet und werden in Version 1.4 entfernt. #24523 von Mia Bajic.

Code- und Dokumentationsbeitragende

Danke an alle, die seit Version 1.1 zur Wartung und Verbesserung des Projekts beigetragen haben, darunter

2357juan, 3lLobo, Adam J. Stewart, Adam Kania, Adam Li, Aditya Anulekh, Admir Demiraj, adoublet, Adrin Jalali, Ahmedbgh, Aiko, Akshita Prasanth, Ala-Na, Alessandro Miola, Alex, Alexandr, Alexandre Perez-Lebel, Alex Buzenet, Ali H. El-Kassas, aman kumar, Amit Bera, András Simon, Andreas Grivas, Andreas Mueller, Andrew Wang, angela-maennel, Aniket Shirsat, Anthony22-dev, Antony Lee, anupam, Apostolos Tsetoglou, Aravindh R, Artur Hermano, Arturo Amor, as-90, ashah002, Ashwin Mathur, avm19, Azaria Gebremichael, b0rxington, Badr MOUFAD, Bardiya Ak, Bartłomiej Gońda, BdeGraaff, Benjamin Bossan, Benjamin Carter, berkecanrizai, Bernd Fritzke, Bhoomika, Biswaroop Mitra, Brandon TH Chen, Brett Cannon, Bsh, cache-missing, carlo, Carlos Ramos Carreño, ceh, chalulu, Changyao Chen, Charles Zablit, Chiara Marmo, Christian Lorentzen, Christian Ritter, Christian Veenhuis, christianwaldmann, Christine P. Chai, Claudio Salvatore Arcidiacono, Clément Verrier, crispinlogan, Da-Lan, DanGonite57, Daniela Fernandes, DanielGaerber, darioka, Darren Nguyen, davidblnc, david-cortes, David Gilbertson, David Poznik, Dayne, Dea María Léon, Denis, Dev Khant, Dhanshree Arora, Diadochokinetic, diederikwp, Dimitri Papadopoulos Orfanos, Dimitris Litsidis, drewhogg, Duarte OC, Dwight Lindquist, Eden Brekke, Edern, Edoardo Abati, Eleanore Denies, EliaSchiavon, Emir, ErmolaevPA, Fabrizio Damicelli, fcharras, Felipe Siola, Flynn, francesco-tuveri, Franck Charras, ftorres16, Gael Varoquaux, Geevarghese George, genvalen, GeorgiaMayDay, Gianr Lazz, Hleb Levitski, Glòria Macià Muñoz, Guillaume Lemaitre, Guillem García Subies, Guitared, gunesbayir, Haesun Park, Hansin Ahuja, Hao Chun Chang, Harsh Agrawal, harshit5674, hasan-yaman, henrymooresc, Henry Sorsky, Hristo Vrigazov, htsedebenham, humahn, i-aki-y, Ian Thompson, Ido M, Iglesys, Iliya Zhechev, Irene, ivanllt, Ivan Sedykh, Jack McIvor, jakirkham, JanFidor, Jason G, Jérémie du Boisberranger, Jiten Sidhpura, jkarolczak, João David, JohnathanPi, John Koumentis, John P, John Pangas, johnthagen, Jordan Fleming, Joshua Choo Yun Keat, Jovan Stojanovic, Juan Carlos Alfaro Jiménez, juanfe88, Juan Felipe Arias, JuliaSchoepp, Julien Jerphanion, jygerardy, ka00ri, Kanishk Sachdev, Kanissh, Kaushik Amar Das, Kendall, Kenneth Prabakaran, Kento Nozawa, kernc, Kevin Roice, Kian Eliasi, Kilian Kluge, Kilian Lieret, Kirandevraj, Kraig, krishna kumar, krishna vamsi, Kshitij Kapadni, Kshitij Mathur, Lauren Burke, Léonard Binet, lingyi1110, Lisa Casino, Logan Thomas, Loic Esteve, Luciano Mantovani, Lucy Liu, Maascha, Madhura Jayaratne, madinak, Maksym, Malte S. Kurz, Mansi Agrawal, Marco Edward Gorelli, Marco Wurps, Maren Westermann, Maria Telenczuk, Mario Kostelac, martin-kokos, Marvin Krawutschke, Masanori Kanazu, mathurinm, Matt Haberland, mauroantonioserrano, Max Halford, Maxi Marufo, maximeSaur, Maxim Smolskiy, Maxwell, m. bou, Meekail Zain, Mehgarg, mehmetcanakbay, Mia Bajić, Michael Flaks, Michael Hornstein, Michel de Ruiter, Michelle Paradis, Mikhail Iljin, Misa Ogura, Moritz Wilksch, mrastgoo, Naipawat Poolsawat, Naoise Holohan, Nass, Nathan Jacobi, Nawazish Alam, Nguyễn Văn Diễn, Nicola Fanelli, Nihal Thukarama Rao, Nikita Jare, nima10khodaveisi, Nima Sarajpoor, nitinramvelraj, NNLNR, npache, Nwanna-Joseph, Nymark Kho, o-holman, Olivier Grisel, Olle Lukowski, Omar Hassoun, Omar Salman, osman tamer, ouss1508, Oyindamola Olatunji, PAB, Pandata, partev, Paulo Sergio Soares, Petar Mlinarić, Peter Jansson, Peter Steinbach, Philipp Jung, Piet Brömmel, Pooja M, Pooja Subramaniam, priyam kakati, puhuk, Rachel Freeland, Rachit Keerti Das, Rafal Wojdyla, Raghuveer Bhat, Rahil Parikh, Ralf Gommers, ram vikram singh, Ravi Makhija, Rehan Guha, Reshama Shaikh, Richard Klima, Rob Crockett, Robert Hommes, Robert Juergens, Robin Lenz, Rocco Meli, Roman4oo, Ross Barnowski, Rowan Mankoo, Rudresh Veerkhare, Rushil Desai, Sabri Monaf Sabri, Safikh, Safiuddin Khaja, Salahuddin, Sam Adam Day, Sandra Yojana Meneses, Sandro Ephrem, Sangam, SangamSwadik, SANJAI_3, SarahRemus, Sashka Warner, SavkoMax, Scott Gigante, Scott Gustafson, Sean Atukorala, sec65, SELEE, seljaks, Shady el Gewily, Shane, shellyfung, Shinsuke Mori, Shiva chauhan, Shoaib Khan, Shogo Hida, Shrankhla Srivastava, Shuangchi He, Simon, sonnivs, Sortofamudkip, Srinath Kailasa, Stanislav (Stanley) Modrak, Stefanie Molin, stellalin7, Stéphane Collot, Steven Van Vaerenbergh, Steve Schmerler, Sven Stehle, Tabea Kossen, TheDevPanda, the-syd-sre, Thijs van Weezel, Thomas Bonald, Thomas Germer, Thomas J. Fan, Ti-Ion, Tim Head, Timofei Kornev, toastedyeast, Tobias Pitters, Tom Dupré la Tour, tomiock, Tom Mathews, Tom McTiernan, tspeng, Tyler Egashira, Valentin Laurent, Varun Jain, Vera Komeyer, Vicente Reyes-Puerta, Vinayak Mehta, Vincent M, Vishal, Vyom Pathak, wattai, wchathura, WEN Hao, William M, x110, Xiao Yuan, Xunius, yanhong-zhao-ef, Yusuf Raji, Z Adil Khwaja, zeeshan lone