Note

Go to the end to download the full example code. or to run this example in your browser via Binder

scikit-learn 1.3 版本发布亮点#

我们很高兴地宣布发布 scikit-learn 1.3！此次更新包含了许多错误修复和改进，以及一些新的关键功能。以下是本次发布的一些主要功能。 有关所有更改的详尽列表 ，请参阅发布说明。

要安装最新版本（使用 pip）:

pip install --upgrade scikit-learn

或使用 conda:

conda install -c conda-forge scikit-learn

元数据路由#

我们正在引入一种新的方式来路由诸如 sample_weight 之类的元数据，这将影响到诸如:class:pipeline.Pipeline 和:class:model_selection.GridSearchCV 等元估计器的元数据路由方式。虽然此功能的基础设施已经包含在本次发布中，但工作仍在进行中，并非所有元估计器都支持此新功能。您可以在:ref:元数据路由用户指南<metadata_routing> 中阅读更多关于此功能的信息。请注意，此功能仍在开发中，并未在大多数元估计器中实现。

第三方开发者已经可以开始将其整合到他们的元估计器中。更多详情，请参见：元数据路由开发者指南。

HDBSCAN：基于密度的层次聚类#

最初托管在 scikit-learn-contrib 仓库中，cluster.HDBSCAN 已被纳入 scikit-learn。它缺少原始实现中的一些功能，这些功能将在未来的版本中添加。通过同时对多个 epsilon 值执行修改版的 cluster.DBSCAN ，cluster.HDBSCAN 可以找到不同密度的聚类，使其比 cluster.DBSCAN 更加稳健，参数选择更加灵活。更多详情请参见用户指南。

import numpy as np
from sklearn.cluster import HDBSCAN
from sklearn.datasets import load_digits
from sklearn.metrics import v_measure_score

X, true_labels = load_digits(return_X_y=True)
print(f"number of digits: {len(np.unique(true_labels))}")

hdbscan = HDBSCAN(min_cluster_size=15).fit(X)
non_noisy_labels = hdbscan.labels_[hdbscan.labels_ != -1]
print(f"number of clusters found: {len(np.unique(non_noisy_labels))}")

print(v_measure_score(true_labels[hdbscan.labels_ != -1], non_noisy_labels))

number of digits: 10
number of clusters found: 10
0.9751818034688537

目标编码器：一种新的类别编码策略#

非常适合具有高基数的类别特征，preprocessing.TargetEncoder 基于属于该类别的观测值的平均目标值的缩减估计对类别进行编码。更多详情请参见用户指南。

import numpy as np
from sklearn.preprocessing import TargetEncoder

X = np.array([["cat"] * 30 + ["dog"] * 20 + ["snake"] * 38], dtype=object).T
y = [90.3] * 30 + [20.4] * 20 + [21.2] * 38

enc = TargetEncoder(random_state=0)
X_trans = enc.fit_transform(X, y)

enc.encodings_

[array([90.3, 20.4, 21.2])]

决策树中的缺失值支持#

类 tree.DecisionTreeClassifier 和 tree.DecisionTreeRegressor 现在支持缺失值。对于非缺失数据的每个潜在阈值，分割器将评估将所有缺失值分配到左节点或右节点的分割情况。请参阅用户指南了解更多详细信息，或参阅直方图梯度提升树的特性了解 HistGradientBoostingRegressor 中此功能的用例示例。

import numpy as np
from sklearn.tree import DecisionTreeClassifier

X = np.array([0, 1, 6, np.nan]).reshape(-1, 1)
y = [0, 0, 1, 1]

tree = DecisionTreeClassifier(random_state=0).fit(X, y)
tree.predict(X)

array([0, 0, 1, 1])

新显示 `ValidationCurveDisplay`#

model_selection.ValidationCurveDisplay 现在可以用于绘制 model_selection.validation_curve 的结果。

from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import ValidationCurveDisplay

X, y = make_classification(1000, 10, random_state=0)

_ = ValidationCurveDisplay.from_estimator(
    LogisticRegression(),
    X,
    y,
    param_name="C",
    param_range=np.geomspace(1e-5, 1e3, num=9),
    score_type="both",
    score_name="Accuracy",
)

梯度提升的伽马损失#

类 ensemble.HistGradientBoostingRegressor 支持通过 loss="gamma" 使用伽马偏差损失函数。该损失函数对于建模具有右偏分布的严格正目标非常有用。

import numpy as np
from sklearn.model_selection import cross_val_score
from sklearn.datasets import make_low_rank_matrix
from sklearn.ensemble import HistGradientBoostingRegressor

n_samples, n_features = 500, 10
rng = np.random.RandomState(0)
X = make_low_rank_matrix(n_samples, n_features, random_state=rng)
coef = rng.uniform(low=-10, high=20, size=n_features)
y = rng.gamma(shape=2, scale=np.exp(X @ coef) / 2)
gbdt = HistGradientBoostingRegressor(loss="gamma")
cross_val_score(gbdt, X, y).mean()

np.float64(0.4685851328722167)

将不常见类别分组到 `OrdinalEncoder`#

与 preprocessing.OneHotEncoder 类似，preprocessing.OrdinalEncoder 类现在支持将不常见类别聚合到每个特征的单一输出中。启用不常见类别聚合的参数是 min_frequency 和 max_categories 。有关更多详细信息，请参阅用户指南。

from sklearn.preprocessing import OrdinalEncoder
import numpy as np

X = np.array(
    [["dog"] * 5 + ["cat"] * 20 + ["rabbit"] * 10 + ["snake"] * 3], dtype=object
).T
enc = OrdinalEncoder(min_frequency=6).fit(X)
enc.infrequent_categories_