Version 1.7

Für eine kurze Beschreibung der wichtigsten Highlights des Releases siehe Release Highlights für scikit-learn 1.7.

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 1.7.2

September 2025

sklearn.compose

• Fix compose.TransformedTargetRegressor übergibt nun das transformierte Ziel an den Regressor mit der gleichen Anzahl von Dimensionen wie das ursprüngliche Ziel. Von kryggird. #31563

sklearn.feature_extraction

• Fix Setzt das Tag requires_fit=False für die Klassen feature_extraction.FeatureHasher und feature_extraction.text.HashingVectorizer. Von hakan çanakcı. #31851

sklearn.impute

• Fix Ein Fehler in impute.SimpleImputer mit strategy="most_frequent" wurde behoben, wenn es einen Gleichstand bei den häufigsten Werten gab und die Eingabedaten gemischte Typen aufwiesen. Von Alexandre Abraham. #31820

sklearn.linear_model

• Fix Ein Fehler mit solver="newton-cholesky" bei Multiklassenproblemen in linear_model.LogisticRegressionCV und in linear_model.LogisticRegression bei Verwendung mit warm_start=True wurde behoben. Der Fehler trat entweder mit fit_intercept=True oder mit penalty=None auf (beides führte zu unbestraften Parametern für den Solver). Die Koeffizienten und Achsenabschnitte der letzten Klasse, die durch Warm-Start bereitgestellt wurden, wurden teilweise fälschlicherweise mit Null überschrieben. Von Christian Lorentzen. #31866

sklearn.pipeline

• Fix pipeline.FeatureUnion validiert nun, dass alle Transformer 2D-Ausgaben zurückgeben und löst einen informativen Fehler aus, wenn Transformer 1D-Ausgaben zurückgeben, was stille Fehler verhindert, die zuvor bedeutungslose verkettete Ergebnisse lieferten. Von gguiomar. #31559

Version 1.7.1

Juli 2025

sklearn.base

• Fix Behebung einer Regression in der HTML-Darstellung bei der Erkennung von nicht-standardmäßigen Parametern vom Typ Array-ähnlich. Von Dea María Léon #31528

sklearn.compose

• Fix compose.ColumnTransformer erhält nun korrekt nicht-standardmäßige Indizes bei der Mischung von pandas Series und Dataframes. Von Nicolas Bolle. #31079

sklearn.datasets

• Fix Ein Fehler wurde behoben, der das Extrahieren des heruntergeladenen Datensatzes in datasets.fetch_20newsgroups, datasets.fetch_20newsgroups_vectorized, datasets.fetch_lfw_people und datasets.fetch_lfw_pairs verhinderte. Dies betrifft nur Python-Versionen >=3.10.0,<=3.10.11 und >=3.11.0,<=3.11.3. Von Jérémie du Boisberranger. #31685

sklearn.inspection

• Fix Mehrere Probleme im Multiklassen-Setting von inspection.DecisionBoundaryDisplay behoben

  • contour-Plotting zeigt nun korrekt die Entscheidungsgrenze an.

  • cmap und colors werden nun ordnungsgemäß zugunsten von multiclass_colors ignoriert.

  • Lineare segmentierte Colormaps werden nun vollständig unterstützt.

  Von Yunjie Lin #31553

sklearn.naive_bayes

• Fix naive_bayes.CategoricalNB erklärt nun korrekt, dass es kategorische Merkmale in den Tags akzeptiert, die von seiner __sklearn_tags__-Methode zurückgegeben werden. Von Olivier Grisel #31556

sklearn.utils

• Fix Eine irreführende Warnung (bezüglich der Anzahl der eindeutigen Klassen, die größer als 50% der Anzahl der Stichproben ist) wurde behoben, die auftreten konnte, wenn classes an utils.multiclass.type_of_target übergeben wurde. Von Sascha D. Krauss. #31584

Version 1.7.0

Juni 2025

Geänderte Modelle

• Fix Die Meldung ConvergenceWarning von Schätzern, die intern den "lbfgs"-Optimizer verwenden, wurde informativer gestaltet und vermeidet den Vorschlag, die maximale Anzahl von Iterationen zu erhöhen, wenn sie nicht benutzerkonfigurierbar ist oder wenn das Konvergenzproblem auftritt, bevor sie erreicht wird. Von Olivier Grisel. #31316

Änderungen, die viele Module betreffen

• Sparse Update: Im Zuge der Umstellung von SciPy von spmatrix auf sparray unterstützen alle internen Verwendungen von Sparse sowohl sparray als auch spmatrix. Alle Manipulationen von Sparse-Objekten sollten für beide funktionieren. Dies ist der erste Schritt einer Migration zu sparray (siehe SciPy-Migration zu sparray). Von Dan Schult #30858

Unterstützung für Array API

Zusätzliche Schätzer und Funktionen wurden aktualisiert, um Unterstützung für alle Array API-konformen Eingaben zu bieten.

Weitere Details finden Sie in Array API-Unterstützung (experimentell).

• Feature sklearn.utils.check_consistent_length unterstützt nun Array-API-kompatible Eingaben. Von Stefanie Senger #29519

• Feature sklearn.metrics.explained_variance_score und sklearn.metrics.mean_pinball_loss unterstützen nun Array-API-kompatible Eingaben. Von Virgil Chan #29978

• Feature sklearn.metrics.fbeta_score, sklearn.metrics.precision_score und sklearn.metrics.recall_score unterstützen nun Array-API-kompatible Eingaben. Von Omar Salman #30395

• Feature sklearn.utils.extmath.randomized_svd unterstützt nun Array-API-kompatible Eingaben. Von Connor Lane und Jérémie du Boisberranger. #30819

• Feature sklearn.metrics.hamming_loss unterstützt nun Array-API-kompatible Eingaben. Von Thomas Li #30838

• Feature preprocessing.Binarizer unterstützt nun Array-API-kompatible Eingaben. Von Yaroslav Korobko, Olivier Grisel und Thomas Li. #31190

• Feature sklearn.metrics.jaccard_score unterstützt nun Array-API-kompatible Eingaben. Von Omar Salman #31204

• array-api-compat und array-api-extra sind nun in den scikit-learn-Quellcode eingebunden. Benutzer der experimentellen Array-API-Standardunterstützung müssen array-api-compat nicht mehr in ihrer Umgebung installieren. Von Lucas Colley #30340

Metadaten-Routing

Weitere Details finden Sie in Metadaten-Routing Benutzerhandbuch.

• Feature ensemble.BaggingClassifier und ensemble.BaggingRegressor unterstützen nun Metadaten-Routing über ihre Methoden predict, predict_proba, predict_log_proba und decision_function und übergeben **params an die zugrundeliegenden Schätzer. Von Stefanie Senger. #30833

sklearn.base

• Enhancement base.BaseEstimator verfügt nun über eine Parametertabelle, die der HTML-Darstellung von Schätzern hinzugefügt wurde und mit Jupyter visualisiert werden kann. Von Guillaume Lemaitre und Dea María Léon #30763

sklearn.calibration

• Fix CalibratedClassifierCV löst nun FutureWarning anstelle von UserWarning aus, wenn cv="prefit" übergeben wird. Von Olivier Grisel

• CalibratedClassifierCV mit method="sigmoid" stürzt nicht mehr ab, wenn float64-dtypisierte sample_weight zusammen mit einem Basis-Schätzer übergeben wird, der float32-dtypisierte Vorhersagen ausgibt. Von Olivier Grisel #30873

sklearn.compose

• API Change Der Parameter force_int_remainder_cols von compose.ColumnTransformer und compose.make_column_transformer ist veraltet und wird in Version 1.9 entfernt. Er hat keine Auswirkung. Von Jérémie du Boisberranger #31167

sklearn.covariance

• Fix Die Unterstützung für n_samples == n_features in sklearn.covariance.MinCovDet wurde wiederhergestellt. Von Antony Lee. #30483

sklearn.datasets

• Enhancement Neuer Parameter return_X_y wurde zu datasets.make_classification hinzugefügt. Der Standardwert des Parameters ändert nicht, wie die Funktion sich verhält. Von Success Moses und Adam Cooper #30196

sklearn.decomposition

• Feature DictionaryLearning, SparseCoder und MiniBatchDictionaryLearning haben nun eine Methode inverse_transform. Von Rémi Flamary #30443

sklearn.ensemble

• Feature ensemble.HistGradientBoostingClassifier und ensemble.HistGradientBoostingRegressor ermöglichen mehr Kontrolle über den Validierungsdatensatz, der für Early Stopping verwendet wird. Sie können nun Daten für die Validierung direkt an fit über die Argumente X_val, y_val und sample_weight_val übergeben. Von Christian Lorentzen. #27124

• Fix ensemble.VotingClassifier und ensemble.VotingRegressor validieren estimators, um sicherzustellen, dass es sich um eine Liste von Tupeln handelt. Von Thomas Fan. #30649

sklearn.feature_selection

• Enhancement feature_selection.RFECV ermöglicht nun den Zugriff auf das Ranking und die Unterstützung in jeder Iteration und jedem CV-Schritt der Merkmalsauswahl. Von Marie S. #30179

• Fix feature_selection.SelectFromModel funktioniert nun korrekt, wenn der Schätzer eine Instanz von linear_model.ElasticNetCV mit seinem l1_ratio-Parameter als Array-ähnlich ist. Von Vasco Pereira. #31107

sklearn.gaussian_process

• Enhancement gaussian_process.GaussianProcessClassifier enthält nun eine Methode latent_mean_and_variance, die den Mittelwert und die Varianz der latenten Funktion \(f\), die in der Laplace-Approximation verwendet wird, freilegt. Von Miguel González Duque #22227

sklearn.inspection

• Enhancement Neuer Parameter custom_values in inspection.partial_dependence hinzugefügt. Er ermöglicht Benutzern, ihre eigenen Wertegitter zu übergeben, bei denen die partielle Abhängigkeit berechnet werden soll. Von Freddy A. Boulton und Stephen Pardy #26202

• Enhancement inspection.DecisionBoundaryDisplay unterstützt nun das Plotten aller Klassen für Multiklassenprobleme, wenn response_method 'decision_function', 'predict_proba' oder 'auto' ist. Von Lucy Liu #29797

• Fix inspection.partial_dependence löst nun einen informativen Fehler aus, wenn eine leere Liste als Parameter categorical_features übergeben wird. None sollte stattdessen verwendet werden, um anzuzeigen, dass keine kategorischen Merkmale vorhanden sind. Von Pedro Lopes. #31146

• API Change inspection.partial_dependence akzeptiert keine Integer-Datentypen mehr für numerische Merkmalsspalten. Eine explizite Konvertierung in Gleitkommawerte ist nun erforderlich, bevor dieses Werkzeug aufgerufen wird (und vorzugsweise noch vor dem Anpassen des Modells zur Inspektion). Von Olivier Grisel #30409

sklearn.linear_model

• Enhancement linear_model.SGDClassifier und linear_model.SGDRegressor akzeptieren nun l1_ratio=None, wenn penalty nicht "elasticnet" ist. Von Marc Bresson. #30730

• Efficiency Das Anpassen von linear_model.Lasso und linear_model.ElasticNet mit fit_intercept=True ist bei sparsen Eingaben X schneller, da eine unnötige Neuberechnung der Residuenummen vermieden wird. Von Christian Lorentzen #31387

• Fix linear_model.LogisticRegression und linear_model.LogisticRegressionCV übergeben nun ordnungsgemäß Stichprobengewichte an utils.class_weight.compute_class_weight, wenn sie mit class_weight="balanced" angepasst werden. Von Shruti Nath und Olivier Grisel #30057

• Fix Fügt den neuen Parameter tol zu linear_model.LinearRegression hinzu, der die Präzision der Lösung coef_ beim Anpassen auf spärliche Daten bestimmt. Von Success Moses #30521

• Fix Das Update und die Initialisierung der Hyperparameter behandeln nun die Stichprobengewichte in linear_model.BayesianRidge korrekt. Von Antoine Baker. #30644

• Fix linear_model.BayesianRidge verwendet nun die vollständige SVD, um die Posterior-Kovarianzmatrix sigma_ korrekt zu schätzen, wenn n_samples < n_features. Von Antoine Baker #31094

• API Change Der Parameter n_alphas wurde in den folgenden Klassen als veraltet markiert: linear_model.ElasticNetCV und linear_model.LassoCV und linear_model.MultiTaskElasticNetCV und linear_model.MultiTaskLassoCV und wird in Version 1.9 entfernt. Der Parameter alphas unterstützt nun sowohl ganze Zahlen als auch Listen ähnliche Arrays, wodurch n_alphas überflüssig wird. Ab sofort sollte nur noch alphas gesetzt werden, entweder um die Anzahl der automatisch zu generierenden Alphas (int) anzugeben oder um eine Liste von Alphas (array-ähnlich) bereitzustellen, die entlang des Regularisierungspfads getestet werden sollen. Von Siddharth Bansal. #30616

• API Change Die Verwendung des "liblinear"-Solvers für die multiklasse Klassifizierung mit einem One-vs-Rest-Schema in linear_model.LogisticRegression und linear_model.LogisticRegressionCV ist veraltet und wird ab Version 1.8 einen Fehler auslösen. Verwenden Sie entweder einen Solver, der den multinomialen Verlust unterstützt, oder wrappen Sie den Estimator in einen sklearn.multiclass.OneVsRestClassifier, um weiterhin ein One-vs-Rest-Schema anzuwenden. Von Jérémie du Boisberranger. #31241

sklearn.manifold

• Enhancement manifold.MDS wechselt ab Version 1.9 standardmäßig zu n_init=1. Von Dmitry Kobak #31117

• Fix manifold.MDS behandelt nun nicht-metrische MDS korrekt. Darüber hinaus entspricht der zurückgegebene Stresswert der zurückgegebenen Einbettung, und normalisierter Stress ist nun für metrische MDS erlaubt. Von Dmitry Kobak #30514

• Fix manifold.MDS verwendet nun standardmäßig eps=1e-6 und das Konvergenzkriterium wurde angepasst, um sowohl für metrische als auch für nicht-metrische MDS sinnvoll zu sein und der Referenzimplementierung in R zu folgen. Die Formel für den normalisierten Stress wurde angepasst, um der ursprünglichen Definition von Kruskal zu folgen. Von Dmitry Kobak #31117

sklearn.metrics

• Feature metrics.brier_score_loss implementiert den Brier-Score für multiklasse Klassifizierungsprobleme und fügt das Argument scale_by_half hinzu. Diese Metrik ist besonders nützlich zur Bewertung von Schärfe und Kalibrierung probabilistischer Klassifikatoren. Weitere Details finden Sie in den Docstrings. Von Varun Aggarwal, Olivier Grisel und Antoine Baker. #22046

• Feature Fügt die Klassenmethode from_cv_results zu metrics.RocCurveDisplay hinzu, die ein einfaches Plotten mehrerer ROC-Kurven aus model_selection.cross_validate-Ergebnissen ermöglicht. Von Lucy Liu #30399

• Enhancement metrics.det_curve, metrics.DetCurveDisplay.from_estimator und metrics.DetCurveDisplay.from_estimator akzeptieren nun die Option drop_intermediate, um Schwellenwerte zu entfernen, bei denen sich die True Positives (tp) nicht von den vorherigen oder nachfolgenden Schwellenwerten ändern. Alle Punkte mit demselben tp-Wert haben denselben fnr und somit dieselbe y-Koordinate in einer DET-Kurve. Von Arturo Amor #29151

• Enhancement class_likelihood_ratios verfügt nun über den Parameter replace_undefined_by. Bei einer Division durch Null ist die Metrik undefiniert, und die gesetzten Werte werden für LR+ und LR- zurückgegeben. Von Stefanie Senger #29288

• Fix metrics.log_loss löst nun einen ValueError aus, wenn Werte von y_true in labels fehlen. Von Varun Aggarwal, Olivier Grisel und Antoine Baker. #22046

• Fix metrics.det_curve und metrics.DetCurveDisplay geben nun einen zusätzlichen Schwellenwert im Unendlichen zurück, bei dem der Klassifikator immer die negative Klasse vorhersagt, d.h. tps = fps = 0. Von Arturo Amor #29151

• Fix class_likelihood_ratios löst nun im Falle einer Division durch Null eine UndefinedMetricWarning anstelle einer UserWarning aus. Von Stefanie Senger #29288

• Fix metrics.RocCurveDisplay setzt keine Legende mehr, wenn label in line_kwargs und chance_level_kw None ist. Von Arturo Amor #29727

• Fix Zusätzliche Überprüfung von sample_weight wurde zu metrics.mean_absolute_error, metrics.mean_pinball_loss, metrics.mean_absolute_percentage_error, metrics.mean_squared_error, metrics.root_mean_squared_error, metrics.mean_squared_log_error, metrics.root_mean_squared_log_error, metrics.explained_variance_score, metrics.r2_score, metrics.mean_tweedie_deviance, metrics.mean_poisson_deviance, metrics.mean_gamma_deviance und metrics.d2_tweedie_score hinzugefügt. sample_weight kann nur 1D sein und entspricht in der Länge y_true und y_pred oder ist ein Skalar. Von Lucy Liu. #30886

• Fix d2_log_loss_score behandelt nun korrekt den Fall, dass labels übergeben wird und nicht alle Labels in y_true vorhanden sind. Von Vassilis Margonis #30903

• Fix Behebt ein numerisches Problem in metrics.adjusted_mutual_info_score bei niedriger Klassen- und Stichprobengröße. Von Hleb Levitski #31065

• API Change Der Parameter sparse von metrics.fowlkes_mallows_score ist veraltet und wird in Version 1.9 entfernt. Er hat keine Auswirkung. Von Luc Rocher. #28981

• API Change Der Parameter raise_warning von metrics.class_likelihood_ratios ist veraltet und wird in Version 1.9 entfernt. Bei einer Division durch Null wird immer eine UndefinedMetricWarning ausgelöst. Von Stefanie Senger. #29288

• API Change In sklearn.metrics.RocCurveDisplay.from_predictions wurde das Argument y_pred in y_score umbenannt, um seinen Zweck besser widerzuspiegeln. y_pred wird in Version 1.9 entfernt. Von Bagus Tris Atmaja in #29865

sklearn.mixture

• Feature Fügt das Attribut lower_bounds_ zur Klasse mixture.BaseMixture hinzu, um die Liste der unteren Schranken für jede Iteration zu speichern und so Einblicke in das Konvergenzverhalten von Mischungsmodellen wie mixture.GaussianMixture zu geben. Von Manideep Yenugula #28559

• Efficiency Vereinfacht redundante Berechnungen bei der Schätzung von Kovarianzen in GaussianMixture mit covariance_type="spherical" oder covariance_type="diag". Von Leonce Mekinda und Olivier Grisel #30414

• Efficiency GaussianMixture arbeitet nun konsistent mit float32-Präzision, wenn mit float32-Daten trainiert wird, um die Trainingsgeschwindigkeit und Speichereffizienz zu verbessern. Zuvor wurde ein Teil der Berechnung implizit auf float64 umgewandelt. Von Olivier Grisel und Omar Salman. #30415

sklearn.model_selection

• Fix Hyperparameter-Optimierer wie model_selection.GridSearchCV leiten sample_weight nun an den Scorer weiter, auch wenn das Metadaten-Routing nicht aktiviert ist. Von Antoine Baker #30743

sklearn.multiclass

• Fix Die Methode predict_proba von sklearn.multiclass.OneVsRestClassifier gibt nun für alle Klassen Null zurück, wenn alle inneren Estimators niemals ihre positive Klasse vorhersagen. Von Luis M. B. Varona, Marc Bresson und Jérémie du Boisberranger. #31228

sklearn.multioutput

• Enhancement Der Parameter base_estimator wurde zugunsten von estimator für multioutput.RegressorChain und multioutput.ClassifierChain als veraltet markiert. Von Success Moses und dikraMasrour #30152

sklearn.neural_network

• Feature Unterstützung für sample_weight in neural_network.MLPClassifier und neural_network.MLPRegressor hinzugefügt. Von Zach Shu und Christian Lorentzen #30155

• Feature Parameter für loss in neural_network.MLPRegressor hinzugefügt mit den Optionen "squared_error" (Standard) und "poisson" (neu). Von Christian Lorentzen #30712

• Fix neural_network.MLPRegressor löst nun einen informativen Fehler aus, wenn early_stopping gesetzt ist und der berechnete Validierungssatz zu klein ist. Von David Shumway. #24788

sklearn.pipeline

• Enhancement Exponiert das Argument verbose_feature_names_out in der Funktion pipeline.make_union, was es Benutzern ermöglicht, die Einzigartigkeit von Feature-Namen in pipeline.FeatureUnion zu steuern. Von Abhijeetsingh Meena #30406

sklearn.preprocessing

• Enhancement preprocessing.KBinsDiscretizer mit strategy="uniform" akzeptiert nun sample_weight. Zusätzlich kann bei strategy="quantile" die quantile_method angegeben werden (zukünftig wird quantile_method="averaged_inverted_cdf" zum Standard). Von Shruti Nath und Olivier Grisel #29907

• Fix preprocessing.KBinsDiscretizer verwendet nun gewichtetes Resampling, wenn Sample Weights gegeben sind und Subsampling verwendet wird. Dies kann auch bei der Verwendung von Sample Weights zu Änderungen der Ergebnisse führen, wenn auch nicht in Bezug auf die statistischen Eigenschaften. Von Shruti Nath und Jérémie du Boisberranger #29907

• Fix Verwendet nun scipy.stats.yeojohnson anstelle unserer eigenen Implementierung der Yeo-Johnson-Transformation. Behebt numerische Stabilitätsprobleme (hauptsächlich Überläufe) der Yeo-Johnson-Transformation mit PowerTransformer(method="yeo-johnson"), wenn die Scipy-Version >= 1.12 ist. Ursprünglicher PR von Xuefeng Xu, vervollständigt von Mohamed Yaich, Oussama Er-rabie, Mohammed Yaslam Dlimi, Hamza Zaroual, Amine Hannoun und Sylvain Marié. #31227

sklearn.svm

• Fix svm.LinearSVC leitet nun korrekt Stichprobengewichte an utils.class_weight.compute_class_weight weiter, wenn mit class_weight="balanced" trainiert wird. Von Shruti Nath #30057

sklearn.utils

• Enhancement utils.multiclass.type_of_target löst eine Warnung aus, wenn die Anzahl der eindeutigen Klassen größer als 50 % der Stichprobengröße ist. Diese Warnung wird nur ausgegeben, wenn y mehr als 20 Stichproben hat. Von Rahil Parikh. #26335

• Enhancement :func: resample behandelt nun Stichprobengewichte, was gewichtetes Resampling ermöglicht. Von Shruti Nath und Olivier Grisel #29907

• Enhancement utils.class_weight.compute_class_weight berücksichtigt nun Stichprobengewichte korrekt bei der Verwendung der Strategie „balanced“, um Klassengewichte zu berechnen. Von Shruti Nath #30057

• Enhancement Warnungsfilter aus dem Hauptprozess werden an Joblib-Worker weitergegeben. Von Thomas Fan #30380

• Enhancement Die private Hilfsfunktion utils._safe_indexing unterstützt nun offiziell PyArrow-Daten. Zum Beispiel ist die Übergabe einer PyArrow Table als X in einem compose.ColumnTransformer nun möglich. Von Christian Lorentzen #31040

• Fix In utils.estimator_checks erzwingen wir nun für binäre Klassifikatoren ein binäres y, indem wir das Minimum als negative Klasse anstelle des ersten Elements nehmen, was es robust gegenüber dem Mischen von y macht. Dies verhindert, dass zwei Checks bei binären Klassifikatoren fälschlicherweise fehlschlagen. Von Antoine Baker. #30775

• Fix utils.extmath.randomized_svd und utils.extmath.randomized_range_finder validieren nun ihr Eingabearray, um frühzeitig mit einer aussagekräftigen Fehlermeldung bei ungültiger Eingabe abzubrechen. Von Connor Lane. #30819

Code- und Dokumentationsbeitragende

Vielen Dank an alle, die seit Version 1.6 zur Wartung und Verbesserung des Projekts beigetragen haben, darunter

4hm3d, Aaron Schumacher, Abhijeetsingh Meena, Acciaro Gennaro Daniele, Achraf Tasfaout, Adriano Leão, Adrien Linares, Adrin Jalali, Agriya Khetarpal, Aiden Frank, Aitsaid Azzedine Idir, ajay-sentry, Akanksha Mhadolkar, Alexandre Abraham, Alfredo Saucedo, Anderson Chaves, Andres Guzman-Ballen, Aniruddha Saha, antoinebaker, Antony Lee, Arjun S, ArthurDbrn, Arturo, Arturo Amor, ash, Ashton Powell, ayoub.agouzoul, Ayrat, Bagus Tris Atmaja, Benjamin Danek, Boney Patel, Camille Troillard, Chems Ben, Christian Lorentzen, Christian Veenhuis, Christine P. Chai, claudio, Code_Blooded, Colas, Colin Coe, Connor Lane, Corey Farwell, Daniel Agyapong, Dan Schult, Dea María Léon, Deepak Saldanha, dependabot[bot], Dhyey Findoriya, Dimitri Papadopoulos Orfanos, Dmitry Kobak, Domenico, elenafillo, Elham Babaei, emelia-hdz, EmilyXinyi, Emma Carballal, Eric Larson, Eugen-Bleck, Evgeni Burovski, fabianhenning, Gael Varoquaux, GaetandeCast, Gil Ramot, Gonçalo Guiomar, Gordon Grey, Goutam, G Sreeja, Guillaume Lemaitre, Haesun Park, hakan çanakçı, Hanjun Kim, Helder Geovane Gomes de Lima, Henri Bonamy, Hleb Levitski, Hugo Boulenger, IlyaSolomatin, Irene, Jérémie du Boisberranger, Jérôme Dockès, JoaoRodriguesIST, Joel Nothman, Joris Van den Bossche, Josh, jshn9515, KALLA GANASEKHAR, Kevin Klein, Krishnan Vignesh, kryggird, Loic Esteve, Lucas Colley, Luc Rocher, Lucy Liu, Luis M. B. Varona, lunovian, Mamduh Zabidi, Marc Bresson, Marco Edward Gorelli, Marco Maggi, Marek Pokropiński, Maren Westermann, Marie Sacksick, Marija Vlajic, Martin Jurča, Mayank Raj, Michael Burkhart, Miguel González Duque, Mihir Waknis, Miro Hrončok, Mohamed Ali SRIR, Mohamed DHIFALLAH, mohammed benyamna, Mohit Singh Thakur, Mounir Lbath, myenugula, Natalia Mokeeva, Nicolas Bolle, Olivier Grisel, omahs, Omar Salman, Pedro Lopes, Pedro Olivares, Peter Holzer, Prashant Bansal, Preyas Shah, Radovenchyk, Rahil Parikh, Rémi Flamary, Reshama Shaikh, Richard Harris, Rishab Saini, rolandrmgservices, SanchitD, Santiago Castro, Santiago Víquez, saskra, scikit-learn-bot, Scott Huberty, Shashank S, Shaurya Bisht, Shivam, Shruti Nath, Siddharth Bansal, SIKAI ZHANG, Simarjot Sidhu, sisird864, SiyuJin-1, Somdutta Banerjee, Sortofamudkip, sotagg, Sourabh Kumar, Stefan, Stefanie Senger, Stefano Gaspari, Steffen Rehberg, Stephen Pardy, Success Moses, Sylvain Combettes, Tahar Allouche, Thomas J. Fan, Thomas Li, ThorbenMaa, Tim Head, Tingwei Zhu, TJ Norred, Umberto Fasci, UV, Vasco Pereira, Vassilis Margonis, Velislav Babatchev, Victoria Shevchenko, viktor765, Vipsa Kamani, VirenPassi, Virgil Chan, vpz, Xiao Yuan, Yaich Mohamed, Yair Shimony, Yao Xiao, Yaroslav Halchenko, Yulia Vilensky, Yuvi Panda