Примечание
Перейти в конец, чтобы скачать полный код примера или запустить этот пример в браузере через JupyterLite или Binder.
Основные нововведения в scikit-learn 1.7
Мы рады объявить о выходе scikit-learn 1.7! В этот выпуск вошло множество исправлений ошибок и улучшений, а также несколько важных новых функций. Ниже мы подробно расскажем об основных нововведениях этого выпуска. Полный список всех изменений см. в примечаниях к выпуску.
Чтобы установить последнюю версию с помощью pip:
pip install --upgrade scikit-learn
или с помощью conda:
conda install -c conda-forge scikit-learn
Улучшенное HTML-представление оценивателя
Теперь HTML-представление оценивателей содержит раздел со списком параметров и их значениями. Параметры, отличающиеся от значений по умолчанию, выделены оранжевым цветом. Также доступна кнопка копирования, позволяющая скопировать полное имя параметра без необходимости вызывать метод get_params. Это особенно полезно при задании сетки параметров для поиска по сетке или случайного поиска со сложным конвейером.
Посмотрите пример ниже и щёлкните разные блоки оценивателей, чтобы увидеть улучшенное HTML-представление.
from sklearn.linear_model import LogisticRegression from sklearn.pipeline import make_pipeline from sklearn.preprocessing import StandardScaler model = make_pipeline(StandardScaler(with_std=False), LogisticRegression(C=2.0)) model
Пользовательская проверочная выборка для оценивателей градиентного бустинга на основе гистограмм
ensemble.HistGradientBoostingClassifier и ensemble.HistGradientBoostingRegressor теперь поддерживают непосредственную передачу пользовательской проверочной выборки для досрочной остановки в метод fit с помощью параметров X_val, y_val и sample_weight_val. В pipeline.Pipeline проверочную выборку X_val можно преобразовать вместе с X с помощью параметра transform_input.
import sklearn
from sklearn.datasets import make_classification
from sklearn.ensemble import HistGradientBoostingClassifier
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
sklearn.set_config(enable_metadata_routing=True)
X, y = make_classification(random_state=0)
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=0)
clf = HistGradientBoostingClassifier()
clf.set_fit_request(X_val=True, y_val=True)
model = Pipeline([("sc", StandardScaler()), ("clf", clf)], transform_input=["X_val"])
model.fit(X, y, X_val=X_val, y_val=y_val)
Построение ROC-кривых по результатам перекрёстной проверки
Класс metrics.RocCurveDisplay получил новый метод класса from_cv_results, позволяющий легко строить несколько ROC-кривых по результатам model_selection.cross_validate.
from sklearn.datasets import make_classification from sklearn.linear_model import LogisticRegression from sklearn.metrics import RocCurveDisplay from sklearn.model_selection import cross_validate X, y = make_classification(n_samples=150, random_state=0) clf = LogisticRegression(random_state=0) cv_results = cross_validate(clf, X, y, cv=5, return_estimator=True, return_indices=True) _ = RocCurveDisplay.from_cv_results(cv_results, X, y)
Поддержка Array API
Начиная с версии 1.6, для нескольких функций добавлена поддержка входных данных, совместимых с Array API, в частности для метрик из модуля sklearn.metrics.
Кроме того, для использования экспериментальной поддержки Array API в scikit-learn больше не требуется устанавливать пакет array-api-compat.
Инструкции по использованию scikit-learn с библиотеками, совместимыми с Array API, такими как PyTorch или CuPy, см. на странице поддержки Array API.
Повышение согласованности API многослойного перцептрона
Класс neural_network.MLPRegressor получил новый параметр loss и теперь поддерживает функцию потерь “poisson” в дополнение к используемой по умолчанию функции потерь “squared_error”. Кроме того, оценщики neural_network.MLPClassifier и neural_network.MLPRegressor теперь поддерживают веса выборок. Эти улучшения призваны повысить согласованность этих оценщиков с другими оценщиками в scikit-learn.
Переход на разреженные массивы
В рамках подготовки к переходу SciPy от разреженных матриц к разреженным массивам все оценщики scikit-learn, принимающие на вход разреженные матрицы, теперь также принимают разреженные массивы.
Общее время выполнения скрипта: (0 минут 0.154 секунды)
Связанные примеры
© 2007–2026 The scikit-learn developers
Licensed under the 3-clause BSD License.
https://scikit-learn.org/1.9/auto_examples/release_highlights/plot_release_highlights_1_7_0.html
