版本 1.0

關於此版本的主要重點的簡短描述，請參考 scikit-learn 1.0 的發行重點。

變更日誌的圖例

• 主要功能 之前無法實現的重大功能。

• 功能 之前無法實現的功能。

• 效率 現有的功能現在可能不需要那麼多的計算或記憶體。

• 增強 各種小改進。

• 修復 之前未按照文件或合理預期運作的功能，現在應可正常運作。

• API 變更 您將需要變更您的程式碼才能在未來達到相同的效果；或者某些功能將在未來被移除。

版本 1.0.2

2021 年 12 月

• 修復 cluster.Birch、feature_selection.RFECV、ensemble.RandomForestRegressor、ensemble.RandomForestClassifier、ensemble.GradientBoostingRegressor 和 ensemble.GradientBoostingClassifier 在於 pandas DataFrame 上進行擬合時，不再引發警告。 #21578 由 Thomas Fan 貢獻。

變更日誌

sklearn.cluster

• 修復 透過將迭代計數器從 try 移至 except，修復了 cluster.SpectralClustering 中的無限迴圈。 #21271 由 Tyler Martin 貢獻。

sklearn.datasets

• 修復 datasets.fetch_openml 現在是執行緒安全的。資料會先下載到暫時子資料夾，然後再重新命名。 #21833 由 Siavash Rezazadeh 貢獻。

sklearn.decomposition

• 修復 修復了 decomposition.DictionaryLearning、decomposition.MiniBatchDictionaryLearning、decomposition.SparsePCA 和 decomposition.MiniBatchSparsePCA 目標函數上的約束，使其為凸函數並符合參考文章。 #19210 由 Jérémie du Boisberranger 貢獻。

sklearn.ensemble

• 修復 ensemble.RandomForestClassifier、ensemble.RandomForestRegressor、ensemble.ExtraTreesClassifier、ensemble.ExtraTreesRegressor 和 ensemble.RandomTreesEmbedding 現在在 bootstrap=False 且 max_samples 不是 None 時，會引發 ValueError。 #21295 Haoyin Xu 貢獻。

• 修復 修正了 ensemble.GradientBoostingClassifier 中的錯誤，其中指數損失計算的是正梯度而不是負梯度。 #22050 由 Guillaume Lemaitre 貢獻。

sklearn.feature_selection

• 修復 透過改進對未設定 feature_names_in_ 的基礎估計器的支援，修復了 feature_selection.SelectFromModel。 #21991 由 Thomas Fan 貢獻。

sklearn.impute

• 修復 修復了 linear_model.RidgeClassifierCV 中的錯誤，其中方法 predict 在從 decision_function 取得的分數上執行 argmax，而不是傳回多標籤指示矩陣。 #19869 由 Guillaume Lemaitre 貢獻。

sklearn.linear_model

• 修復 linear_model.LassoLarsIC 現在可以正確計算 AIC 和 BIC。現在在 n_features > n_samples 且未提供雜訊變異數時，會引發錯誤。 #21481 由 Guillaume Lemaitre 和 Andrés Babino 貢獻。

sklearn.manifold

• 修復 修復了當使用預先計算的密集距離矩陣擬合 manifold.Isomap 時出現的不必要錯誤，其中鄰居圖具有多個不相連的組件。#21915 由 Tom Dupre la Tour 貢獻。

sklearn.metrics

• 修復 所有 sklearn.metrics.DistanceMetric 子類別現在正確支援唯讀緩衝區屬性。這修復了在 1.0.0 版本中相對於 0.24.2 版本引入的迴歸錯誤。#21694 由 Julien Jerphanion 貢獻。

• 修復 所有 sklearn.metrics.MinkowskiDistance 現在接受一個權重參數，使其能夠編寫與 scipy 1.8 和更早版本行為一致的程式碼。反過來說，這意味著所有基於鄰居的估計器（除了那些使用 algorithm="kd_tree" 的估計器）現在都接受帶有 metric="minknowski" 的權重參數，以產生始終與 scipy.spatial.distance.cdist 一致的結果。#21741 由 Olivier Grisel 貢獻。

sklearn.multiclass

• 修復 當在常數整數目標上擬合時，multiclass.OneVsRestClassifier.predict_proba 不會發生錯誤。#21871 由 Thomas Fan 貢獻。

sklearn.neighbors

• 修復 neighbors.KDTree 和 neighbors.BallTree 正確支援唯讀緩衝區屬性。#21845 由 Thomas Fan 貢獻。

sklearn.preprocessing

• 修復 修復了 preprocessing.OneHotEncoder 中與 NumPy 1.22 的相容性錯誤。#21517 由 Thomas Fan 貢獻。

sklearn.tree

• 修復 防止 tree.plot_tree 繪製超出圖形邊界的內容。#21917 由 Thomas Fan 貢獻。

• 修復 支援載入決策樹模型的 pickles，當 pickle 是在具有不同位元數的平台上產生時。一個典型的例子是在 64 位元機器上訓練並 pickling 模型，然後在 32 位元機器上載入模型進行預測。#21552 由 Loïc Estève 貢獻。

sklearn.utils

• 修復 utils.estimator_html_repr 現在會逸出所產生的 HTML 中所有估計器的描述。#21493 由 Aurélien Geron 貢獻。

版本 1.0.1

2021 年 10 月

修復的模型

• 修復 當在具有有效特徵名稱的 DataFrames 上擬合時，下列類別中的非擬合方法不會引發 UserWarning：covariance.EllipticEnvelope、ensemble.IsolationForest、ensemble.AdaBoostClassifier、neighbors.KNeighborsClassifier、neighbors.KNeighborsRegressor、neighbors.RadiusNeighborsClassifier、neighbors.RadiusNeighborsRegressor。#21199 由 Thomas Fan 貢獻。

sklearn.calibration

• 修復 修復了 calibration.CalibratedClassifierCV 在 ensemble=False 時，計算基本估計器預測時考慮 sample_weight。#20638 由 Julien Bohné 貢獻。

• 修復 修復了 calibration.CalibratedClassifierCV 中當 method="sigmoid" 時，計算貝氏先驗時忽略 sample_weight 的錯誤。#21179 由 Guillaume Lemaitre 貢獻。

sklearn.cluster

• 修復 修復了 cluster.KMeans 中的一個錯誤，確保了稀疏和密集輸入之間的可重現性和等效性。#21195 由 Jérémie du Boisberranger 貢獻。

sklearn.ensemble

• 修復 修復了在罕見情況下可能導致 ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 發生 segfault 的錯誤。#21130 Christian Lorentzen 貢獻。

sklearn.gaussian_process

• 修復 在 sklearn.gaussian_process.GaussianProcessRegressor 中使用多目標正確計算 y_std，允許在多目標場景中進行適當的正規化。#20761 由 Patrick de C. T. R. Ferreira 貢獻。

sklearn.feature_extraction

• 效率 修復了在 1.0.0 版本中引入的效率迴歸，在 feature_extraction.text.CountVectorizer 的 transform 方法中，該方法不再檢查提供的詞彙表中是否有大寫字元。#21251 由 Jérémie du Boisberranger 貢獻。

• 修正 修正了 feature_extraction.text.CountVectorizer 和 feature_extraction.text.TfidfVectorizer 中的一個錯誤，當 ‘min_idf’ 或 ‘max_idf’ 是大於 1 的浮點數時，會引發錯誤。#20752 由 Alek Lefebvre 提供。

sklearn.linear_model

• 修正 提高了 linear_model.LassoLars 在不同版本的 openblas 下的穩定性。#21340 由 Thomas Fan 提供。

• 修正 當 solver 不支援帶有 int64 索引的稀疏矩陣時，linear_model.LogisticRegression 現在會引發更明確的錯誤訊息。#21093 由 Tom Dupre la Tour 提供。

sklearn.neighbors

• 修正 使用 metric="precomputed" 的 neighbors.KNeighborsClassifier、neighbors.KNeighborsRegressor、neighbors.RadiusNeighborsClassifier、neighbors.RadiusNeighborsRegressor，由於 bsr 和 dok 稀疏圖 格式中對顯式零的處理，在方法：fit、kneighbors 和 radius_neighbors 中，對 bsr 和 dok 稀疏矩陣會引發錯誤。#21199 由 Thomas Fan 提供。

sklearn.pipeline

• 修正 pipeline.Pipeline.get_feature_names_out 正確地將特徵名稱從 pipeline 的一個步驟傳遞到下一步。#21351 由 Thomas Fan 提供。

sklearn.svm

• 修正 svm.SVC 和 svm.SVR 會檢查其內部表示中的不一致性，並引發錯誤而不是發生段錯誤。此修正也解決了 CVE-2020-28975。#21336 由 Thomas Fan 提供。

sklearn.utils

• 增強 utils.validation._check_sample_weight 可以對樣本權重執行非負性檢查。 可以使用 only_non_negative 布林參數來開啟。 會檢查非負權重的估算器已更新：linear_model.LinearRegression (這裡先前的錯誤訊息具有誤導性)、ensemble.AdaBoostClassifier、ensemble.AdaBoostRegressor、neighbors.KernelDensity。#20880 由 Guillaume Lemaitre 和 András Simon 提供。

• 修正 解決 sklearn.utils.metaestimators.if_delegate_has_method 中的一個錯誤，其中對屬性的底層檢查無法與 NumPy 陣列一起使用。#21145 由 Zahlii 提供。

其他

• 修正 在沒有特徵名稱的數據集上擬合估算器，該估算器先前已在具有特徵名稱的數據集上擬合，不再保留儲存在 feature_names_in_ 屬性中的舊特徵名稱。#21389 由 Jérémie du Boisberranger 提供。

版本 1.0.0

2021 年 9 月

最小相依性

scikit-learn 的 1.0.0 版本需要 python 3.7+、numpy 1.14.6+ 和 scipy 1.1.0+。可選的最小相依性是 matplotlib 2.2.2+。

強制僅限關鍵字引數

為了促進清晰且明確的程式庫使用方式，現在大多數建構子和函式參數必須以關鍵字引數 (即使用 param=value 語法) 而不是位置引數來傳遞。如果將僅限關鍵字的參數用作位置引數，則現在會引發 TypeError。#15005 #20002 由 Joel Nothman、Adrin Jalali、Thomas Fan、Nicolas Hug 和 Tom Dupre la Tour 提供。 有關更多詳細資訊，請參閱 SLEP009。

已變更的模型

以下估算器和函式，當使用相同的資料和參數進行擬合時，可能會產生與先前版本不同的模型。這通常是由於建模邏輯 (錯誤修正或增強功能) 或隨機取樣程序的變更所導致。

• 修正 manifold.TSNE 現在避免在親和力矩陣計算期間出現數值下溢問題。

• 修正 manifold.Isomap 現在會沿著某些最小距離對連接鄰居圖的不連通元件，而不是將每個無限距離更改為零。

• 修正 tree.DecisionTreeClassifier 和 tree.DecisionTreeRegressor 的分割準則可能會受到四捨五入錯誤處理修正的影響。先前可能會發生一些額外的虛假分割。

• 修正 帶有 stratify 參數的 model_selection.train_test_split 和 model_selection.StratifiedShuffleSplit 可能會導致稍微不同的結果。

詳細資訊列於以下的變更日誌中。

(雖然我們嘗試通過提供此資訊來更好地告知使用者，但我們無法保證此列表是完整的。)

變更日誌

• API 變更 透過 loss 和 criterion 參數使用平方誤差的選項變得更加一致。建議的方式是將值設定為 "squared_error"。舊的選項名稱仍然有效，會產生相同的模型，但已被棄用，並將在 1.2 版本中移除。 #19310 by Christian Lorentzen。

  • 對於 ensemble.ExtraTreesRegressor，criterion="mse" 已被棄用，請改用 "squared_error"，現在這是預設值。

  • 對於 ensemble.GradientBoostingRegressor，loss="ls" 已被棄用，請改用 "squared_error"，現在這是預設值。

  • 對於 ensemble.RandomForestRegressor，criterion="mse" 已被棄用，請改用 "squared_error"，現在這是預設值。

  • 對於 ensemble.HistGradientBoostingRegressor，loss="least_squares" 已被棄用，請改用 "squared_error"，現在這是預設值。

  • 對於 linear_model.RANSACRegressor，loss="squared_loss" 已被棄用，請改用 "squared_error"。

  • 對於 linear_model.SGDRegressor，loss="squared_loss" 已被棄用，請改用 "squared_error"，現在這是預設值。

  • 對於 tree.DecisionTreeRegressor，criterion="mse" 已被棄用，請改用 "squared_error"，現在這是預設值。

  • 對於 tree.ExtraTreeRegressor，criterion="mse" 已被棄用，請改用 "squared_error"，現在這是預設值。

• API 變更 透過 loss 和 criterion 參數使用絕對誤差的選項變得更加一致。建議的方式是將值設定為 "absolute_error"。舊的選項名稱仍然有效，會產生相同的模型，但已被棄用，並將在 1.2 版本中移除。 #19733 by Christian Lorentzen。

  • 對於 ensemble.ExtraTreesRegressor，criterion="mae" 已被棄用，請改用 "absolute_error"。

  • 對於 ensemble.GradientBoostingRegressor，loss="lad" 已被棄用，請改用 "absolute_error"。

  • 對於 ensemble.RandomForestRegressor，criterion="mae" 已被棄用，請改用 "absolute_error"。

  • 對於 ensemble.HistGradientBoostingRegressor，loss="least_absolute_deviation" 已被棄用，請改用 "absolute_error"。

  • 對於 linear_model.RANSACRegressor，loss="absolute_loss" 已被棄用，請改用 "absolute_error"，現在這是預設值。

  • 對於 tree.DecisionTreeRegressor，criterion="mae" 已被棄用，請改用 "absolute_error"。

  • 對於 tree.ExtraTreeRegressor，criterion="mae" 已被棄用，請改用 "absolute_error"。

• API 變更 在 1.0 版本中，np.matrix 的使用方式已被棄用，並將在 1.2 版本中引發 TypeError 錯誤。 #20165 by Thomas Fan。

• API 變更 get_feature_names_out 已新增至轉換器 API，以取得輸出特徵的名稱。get_feature_names 隨之被棄用。 #18444 by Thomas Fan。

• API 變更 所有估算器在於 pandas Dataframe 上擬合時都會儲存 feature_names_in_。這些特徵名稱會與非 fit 方法（例如 transform）中看到的名稱進行比較，如果它們不一致，將會引發 FutureWarning。這些 FutureWarning 將在 1.2 版本中變成 ValueError。 #18010 by Thomas Fan。

sklearn.base

• 修正 config_context 現在是執行緒安全的。 #18736 by Thomas Fan。

sklearn.calibration

• 功能 新增 calibration.CalibrationDisplay 以繪製校準曲線。 #17443 by Lucy Liu。

• 修正 calibration.CalibratedClassifierCV 的 predict 和 predict_proba 方法現在可以正確地用於預先擬合的管道。 #19641 by Alek Lefebvre。

• 修正 修正了當在 calibration.CalibratedClassifierCV 中使用 ensemble.VotingClassifier 作為 base_estimator 時發生的錯誤。#20087 由 Clément Fauchereau 貢獻。

sklearn.cluster

• 效率提升 cluster.KMeans 和 cluster.MiniBatchKMeans 的 "k-means++" 初始化現在更快了，尤其是在多核心環境下。#19002 由 Jon Crall 和 Jérémie du Boisberranger 貢獻。

• 效率提升 使用 algorithm='elkan' 的 cluster.KMeans 現在在多核心環境下更快了。#19052 由 Yusuke Nagasaka 貢獻。

• 效率提升 cluster.MiniBatchKMeans 現在在多核心環境下更快了。#17622 由 Jérémie du Boisberranger 貢獻。

• 效率提升 cluster.OPTICS 現在可以使用 memory 參數快取樹狀結構的計算結果。#19024 由 Frankie Robertson 貢獻。

• 功能增強 cluster.AffinityPropagation 的 predict 和 fit_predict 方法現在接受稀疏資料類型作為輸入。#20117 由 Venkatachalam Natchiappan 貢獻。

• 修正 修正了 cluster.MiniBatchKMeans 中，當輸入為稀疏資料時，樣本權重被部分忽略的錯誤。#17622 由 Jérémie du Boisberranger 貢獻。

• 修正 改善了 cluster.MiniBatchKMeans 中基於中心變化的收斂檢測，之前幾乎無法實現收斂。#17622 由 Jérémie du Boisberranger 貢獻。

• 修正 cluster.AgglomerativeClustering 現在支援唯讀記憶體映射資料集。#19883 由 Julien Jerphanion 貢獻。

• 修正 當連通性 (connectivity) 和親和性 (affinity) 均為預先計算，且連通元件的數量大於 1 時，cluster.AgglomerativeClustering 能正確連接各元件。#20597 由 Thomas Fan 貢獻。

• 修正 cluster.FeatureAgglomeration 的 fit 函數不再接受 **params 關鍵字參數，產生更簡潔的錯誤訊息。#20899 由 Adam Li 貢獻。

• 修正 修正了 cluster.KMeans 中的一個錯誤，確保稀疏輸入和稠密輸入之間的再現性和等效性。#20200 由 Jérémie du Boisberranger 貢獻。

• API 變更 cluster.Birch 的屬性 fit_ 和 partial_fit_ 已棄用，將在 1.2 版本中移除。#19297 由 Thomas Fan 貢獻。

• API 變更 由於效率考量，cluster.MiniBatchKMeans 的 batch_size 參數的預設值已從 100 變更為 1024。cluster.MiniBatchKMeans 的 n_iter_ 屬性現在報告已啟動的 epoch 數，而 n_steps_ 屬性則報告已處理的 mini-batch 數量。#17622 由 Jérémie du Boisberranger 貢獻。

• API 變更 當傳遞 np.matrix 時，cluster.spectral_clustering 會產生更完善的錯誤訊息。#20560 由 Thomas Fan 貢獻。

sklearn.compose

• 功能增強 compose.ColumnTransformer 現在會將每個轉換器的輸出記錄在 output_indices_ 中。#18393 由 Luca Bittarello 貢獻。

• 功能增強 compose.ColumnTransformer 現在允許 DataFrame 輸入在 transform 中以變更後的順序顯示其欄位。此外，如果 remainder='drop'，則在 transform 中不需要捨棄的欄位，而額外的欄位將被忽略。#19263 由 Thomas Fan 貢獻。

• 功能增強 為 compose.TransformedTargetRegressor.predict 添加了 **predict_params 關鍵字參數，將關鍵字參數傳遞給回歸器。#19244 由 Ricardo 貢獻。

• 修正 compose.ColumnTransformer.get_feature_names 支援其任何轉換器傳回的非字串特徵名稱。然而，請注意 get_feature_names 已棄用，請改用 get_feature_names_out。#18459 由 Albert Villanova del Moral 和 Alonso Silva Allende 貢獻。

• 修復 compose.TransformedTargetRegressor 現在可以處理具有適當轉換器的 n 維目標值。 #18898 由 Oras Phongpanagnam 提供。

• API 變更 為 compose.ColumnTransformer 加入了 verbose_feature_names_out。此標誌控制在 get_feature_names_out 中輸出特徵名稱時是否加上前綴。 #18444 和 #21080 由 Thomas Fan 提供。

sklearn.covariance

• 修復 為 covariance.ledoit_wolf 和 covariance.ledoit_wolf_shrinkage 加入陣列檢查。 #20416 由 Hugo Defois 提供。

• API 變更 棄用 cv_results_ 中的以下鍵：'mean_score'、'std_score' 和 'split(k)_score'，改用 'mean_test_score'、'std_test_score' 和 'split(k)_test_score'。 #20583 由 Thomas Fan 提供。

sklearn.datasets

• 增強 datasets.fetch_openml 現在在返回 pandas 資料框時支援包含遺失值的類別。 #19365 由 Thomas Fan 和 Amanda Dsouza 和 EL-ATEIF Sara 提供。

• 增強 datasets.fetch_kddcup99 在快取檔案無效時會產生更完善的訊息。 #19669 Thomas Fan 提供。

• 增強 將與資源檔案 I/O 相關的 __file__ 用法替換為 importlib.resources，以避免假設這些資源檔案（例如 iris.csv）已經存在於檔案系統上，並藉此啟用與 PyOxidizer 等工具的相容性。 #20297 由 Jack Liu 提供。

• 修復 縮短 openml 測試中的資料檔名稱，以更好地支援在 Windows 及其預設的 260 個字元檔案名稱限制下安裝。 #20209 由 Thomas Fan 提供。

• 修復 datasets.fetch_kddcup99 在 return_X_y=True 和 as_frame=True 時會返回資料框。 #19011 由 Thomas Fan 提供。

• API 變更 棄用 1.0 中的 datasets.load_boston，並將在 1.2 中移除。提供了載入類似資料集的替代程式碼片段。詳細資訊請參閱函數的 docstring。 #20729 由 Guillaume Lemaitre 提供。

sklearn.decomposition

• 增強 為 decomposition.KernelPCA 新增了一個新的近似求解器（隨機 SVD，可透過 eigen_solver='randomized' 使用）。當樣本數量遠大於所需的組件數量時，這可以顯著加速計算。 #12069 由 Sylvain Marié 提供。

• 修復 修復了在群集布林資料時出現不正確的多重資料轉換警告的問題。 #19046 由 Surya Prakash 提供。

• 修復 修復了 decomposition.dict_learning (由 decomposition.DictionaryLearning 使用) 中的問題，以確保輸出的確定性。透過翻轉用於初始化程式碼的 SVD 輸出的符號來實現。 #18433 由 Bruno Charron 提供。

• 修復 修復了 decomposition.MiniBatchDictionaryLearning、decomposition.MiniBatchSparsePCA 和 decomposition.dict_learning_online 中字典更新不正確的問題。 #19198 由 Jérémie du Boisberranger 提供。

• 修復 修復了 decomposition.DictionaryLearning、decomposition.SparsePCA、decomposition.MiniBatchDictionaryLearning、decomposition.MiniBatchSparsePCA、decomposition.dict_learning 和 decomposition.dict_learning_online 中字典更新期間未使用原子重新啟動未按預期工作的問題。 #19198 由 Jérémie du Boisberranger 提供。

• API 變更 在 decomposition.DictionaryLearning、decomposition.MiniBatchDictionaryLearning、decomposition.dict_learning 和 decomposition.dict_learning_online 中，transform_alpha 的預設值將從 1.2 版開始等於 alpha，而不是 1.0。 #19159 由 Benoît Malézieux 提供。

• API 變更 重新命名 decomposition.KernelPCA 中的變數名稱以提高可讀性。lambdas_ 和 alphas_ 分別更名為 eigenvalues_ 和 eigenvectors_。lambdas_ 和 alphas_ 已棄用，將在 1.2 版本中移除。由 Kei Ishikawa 提出 #19908。

• API 變更 decomposition.NMF 和 decomposition.non_negative_factorization 的 alpha 和 regularization 參數已棄用，將在 1.2 版本中移除。請改用新的參數 alpha_W 和 alpha_H。由 Jérémie du Boisberranger 提出 #20512。

sklearn.dummy

• API 變更 dummy.DummyRegressor 和 dummy.DummyRegressor 中的屬性 n_features_in_ 已棄用，將在 1.2 版本中移除。由 Thomas Fan 提出 #20960。

sklearn.ensemble

• 增強 HistGradientBoostingClassifier 和 HistGradientBoostingRegressor 在決定 OpenMP 使用的執行緒數量時會考量 cgroups 配額。這可以避免在 docker 容器中使用這些類別時，因過度訂閱而導致的效能問題。由 Thomas Fan 提出 #20477。

• 增強 HistGradientBoostingClassifier 和 HistGradientBoostingRegressor 不再是實驗性的。它們現在被視為穩定，並與所有其他估算器一樣受到相同的棄用週期約束。由 Nicolas Hug 提出 #19799。

• 增強 改善 ensemble.StackingClassifier 和 ensemble.StackingRegressor 的 HTML 呈現效果。由 Thomas Fan 提出 #19564。

• 增強 在 ensemble.RandomForestRegressor 中加入了 Poisson 準則。由 Brian Sun 提出 #19836。

• 修正 因為 scikit-learn 沒有提供任何支援此類型目標的指標，因此不允許在具有多類別多輸出目標的 ensemble.RandomForestClassifier 和 ensemble.ExtraTreesClassifier 中計算袋外 (OOB) 分數。並執行了額外的私有重構。由 Guillaume Lemaitre 提出 #19162。

• 修正 改善 ensemble.AdaBoostClassifier 和 ensemble.AdaBoostRegressor 中權重提升的數值精度，以避免下溢。由 Fenil Suchak 提出 #10096。

• 修正 修正 ensemble.RandomForestClassifier、ensemble.RandomForestRegressor 中參數 max_samples 的範圍為 (0.0, 1.0]，其中 max_samples=1.0 解釋為對引導啟動使用所有 n_samples。由 @murata-yu 提出 #20159。

• 修正 修正 ensemble.AdaBoostClassifier 和 ensemble.AdaBoostRegressor 中 fit 期間 sample_weight 參數被覆寫的錯誤。由 Guillaume Lemaitre 提出 #20534。

• API 變更 移除 ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 中的 tol=None 選項。請使用 tol=0 來達到相同的行為。由 Thomas Fan 提出 #19296。

sklearn.feature_extraction

• 修正 修正 feature_extraction.text.HashingVectorizer 中某些輸入字串會在轉換後的資料中產生負索引的錯誤。由 Liu Yu 提出 #19035。

• 修正 修正 feature_extraction.DictVectorizer 中因不支援的值類型而引發錯誤的錯誤。由 Jeff Zhao 提出 #19520。

• 修正 修正 feature_extraction.image.img_to_graph 和 feature_extraction.image.grid_to_graph 中未正確處理單例連通元件，導致錯誤的頂點索引的錯誤。由 Bertrand Thirion 提出 #18964。

• 修正 在 feature_extraction.text.CountVectorizer 中使用 lowercase=True 且詞彙表中有大寫字元時，會發出警告，以避免在產生的特徵向量中出現無聲遺漏。由 Zito Relova 提出 #19401。

sklearn.feature_selection

• 新功能 feature_selection.r_regression 計算特徵與目標之間的皮爾森 R 相關係數。 #17169 由 Dmytro Lituiev 和 Julien Jerphanion 貢獻。

• 增強功能 feature_selection.RFE.fit 接受額外的估算器參數，這些參數會直接傳遞給估算器的 fit 方法。 #20380 由 Iván Pulido, Felipe Bidu, Gil Rutter, 和 Adrin Jalali 貢獻。

• 修復 修復了 isotonic.isotonic_regression 中的一個錯誤，該錯誤會在使用者的 fit 期間覆寫使用者傳入的 sample_weight。 #20515 由 Carsten Allefeld 貢獻。

• 修復 更改 feature_selection.SequentialFeatureSelector 以允許非監督式建模，以便 fit 簽名不需要進行任何 y 驗證，並允許 y=None。 #19568 由 Shyam Desai 貢獻。

• API 變更 當變異數閾值為負數時，feature_selection.VarianceThreshold 中會引發錯誤。 #20207 由 Tomohiro Endo 貢獻

• API 變更 在 feature_selection.RFECV 中，不推薦使用 grid_scores_，而改用 cv_results_ 中的分割分數。grid_scores_ 將在 1.2 版本中移除。 #20161 由 Shuhei Kayawari 和 @arka204 貢獻。

sklearn.inspection

• 增強功能 在 inspection.permutation_importance 中新增 max_samples 參數。它能夠繪製樣本的子集來計算排列重要性。這有助於在評估大型數據集上的特徵重要性時，保持方法的可處理性。#20431 由 Oliver Pfaffel 貢獻。

• 增強功能 在部分依賴圖表 inspection.plot_partial_dependence 和 inspection.PartialDependenceDisplay.plot 中新增關鍵字參數，以分別格式化 ICE 和 PD 線條。#19428 由 Mehdi Hamoumi 貢獻。

• 修復 允許多個評分器輸入到 inspection.permutation_importance。 #19411 由 Simona Maggio 貢獻。

• API 變更 inspection.PartialDependenceDisplay 公開一個類別方法：from_estimator。不推薦使用 inspection.plot_partial_dependence，而改用類別方法，並將在 1.2 版本中移除。 #20959 由 Thomas Fan 貢獻。

sklearn.kernel_approximation

• 修復 修復了 kernel_approximation.Nystroem 中的一個錯誤，其中屬性 component_indices_ 與用於產生近似核的樣本索引子集不符。 #20554 由 Xiangyin Kong 貢獻。

sklearn.linear_model

• 主要功能 新增 linear_model.QuantileRegressor，它使用 L1 懲罰實現線性分位數迴歸。 #9978 由 David Dale 和 Christian Lorentzen 貢獻。

• 新功能 新的 linear_model.SGDOneClassSVM 提供線性單類別 SVM 的 SGD 實現。結合核逼近技術，此實現近似於核化單類別 SVM 的解，同時受益於樣本數的線性複雜度。 #10027 由 Albert Thomas 貢獻。

• 新功能 將 sample_weight 參數新增至 linear_model.LassoCV 和 linear_model.ElasticNetCV。 #16449 由 Christian Lorentzen 貢獻。

• 新功能 新增新的求解器 lbfgs（可與 solver="lbfgs" 一起使用）和 positive 引數至 linear_model.Ridge。當 positive 設定為 True 時，會強制係數為正數（僅 lbfgs 支援）。 #20231 由 Toshihiro Nakae 貢獻。

• 效率 當使用 solver='newton-cg' 和 multi_class!='multinomial' 時，已針對密集矩陣優化 linear_model.LogisticRegression 的實作。 #19571 由 Julien Jerphanion 貢獻。

• 增強 fit 方法在 linear_model.Lars、linear_model.LassoLars、linear_model.LassoLars、linear_model.LarsCV 和 linear_model.LassoLarsCV 中保留 numpy.float32 的 dtype。 #20155 由 Takeshi Oura 貢獻。

• 增強 驗證透過 precompute 參數傳遞給線性模型的用戶提供之 Gram 矩陣。 #19004 由 Adam Midvidy 貢獻。

• 修正 linear_model.ElasticNet.fit 不再就地修改 sample_weight。 #19055 由 Thomas Fan 貢獻。

• 修正 linear_model.Lasso 和 linear_model.ElasticNet 不再具有與其目標不符的 dual_gap_。 #19172 由 Mathurin Massias 貢獻。

• 修正 當 normalize=True 時，線性模型現在在特徵中心化和特徵縮放中完全考慮 sample_weight。 #19426 由 Alexandre Gramfort 和 Maria Telenczuk 貢獻。

• 修正 殘差等於 residual_threshold 的點現在被視為 linear_model.RANSACRegressor 的內點。這允許在 residual_threshold=0 時在某些資料集上完美擬合模型。 #19499 由 Gregory Strubel 貢獻。

• 修正 在 #19616 中，修正了 linear_model.Ridge 的樣本權重不變性問題，由 Oliver Grisel 和 Christian Lorentzen 貢獻。

• 修正 linear_model.enet_path 和 linear_model.lasso_path 中的字典 params 應該只包含坐標下降求解器的參數。否則，會引發錯誤。 #19391 由 Shao Yang Hong 貢獻。

• API 變更 在 linear_model.RANSACRegressor 中發出警告，從 1.2 版本開始，對於 linear_model.LinearRegression 以外的模型，需要明確設定 min_samples。 #19390 由 Shao Yang Hong 貢獻。

• API 變更 : linear_model.LinearRegression 的參數 normalize 已被棄用，並將在 1.2 版本中移除。此棄用的動機：如果將 fit_intercept 設定為 False，則 normalize 參數不起任何作用，因此被認為會造成混淆。棄用的 LinearModel(normalize=True) 的行為可以使用 Pipeline 和 LinearModel（其中 LinearModel 是 LinearRegression、Ridge、RidgeClassifier、RidgeCV 或 RidgeClassifierCV）重新產生，如下所示：make_pipeline(StandardScaler(with_mean=False), LinearModel())。LinearRegression 中的 normalize 參數在 #17743 中被棄用，由 Maria Telenczuk 和 Alexandre Gramfort 貢獻。同樣適用於 Ridge、RidgeClassifier、RidgeCV 和 RidgeClassifierCV，在：#17772 中，由 Maria Telenczuk 和 Alexandre Gramfort 貢獻。同樣適用於 BayesianRidge、ARDRegression，在： #17746 中，由 Maria Telenczuk 貢獻。同樣適用於 Lasso、LassoCV、ElasticNet、ElasticNetCV、MultiTaskLasso、MultiTaskLassoCV、MultiTaskElasticNet、MultiTaskElasticNetCV，在：#17785 中，由 Maria Telenczuk 和 Alexandre Gramfort 貢獻。

• API 變更 OrthogonalMatchingPursuit 和 OrthogonalMatchingPursuitCV 的 normalize 參數在 1.2 版本中預設值將會是 False，並在 1.4 版本中移除。 #17750 由 Maria Telenczuk 和 Alexandre Gramfort 貢獻。 Lars、LarsCV、LassoLars、LassoLarsCV、LassoLarsIC 也做了相同的變更，在 #17769 中由 Maria Telenczuk 和 Alexandre Gramfort 貢獻。

• API 變更 關鍵字驗證已從 __init__ 和 set_params 移至符合 scikit-learn 慣例的以下估計器的 fit 方法：SGDClassifier、SGDRegressor、SGDOneClassSVM、PassiveAggressiveClassifier 和 PassiveAggressiveRegressor。 #20683 由 Guillaume Lemaitre 貢獻。

sklearn.manifold

• 增強 在 manifold.TSNE 中實作 learning_rate 的 'auto' 啟發式演算法。在 1.2 版本中，它將成為預設值。預設初始化將在 1.2 版本中變更為 pca。PCA 初始化將在 1.2 版本中縮放至標準差為 1e-4。 #19491 由 Dmitry Kobak 貢獻。

• 修正 變更數值精度，以防止在 manifold.TSNE 的親和矩陣計算期間出現下溢問題。 #19472 由 Dmitry Kobak 貢獻。

• 修正 manifold.Isomap 現在使用 scipy.sparse.csgraph.shortest_path 來計算圖的最短路徑。它還會沿著一些最小距離對連接鄰居圖的斷開連接的組件，而不是將每個無限距離更改為零。 #20531 由 Roman Yurchak 和 Tom Dupre la Tour 貢獻。

• 修正 降低 manifold.spectral_embedding 中 lobpcg 呼叫的數值預設容差，以防止數值不穩定。 #21194 由 Andrew Knyazev 貢獻。

sklearn.metrics

• 功能 metrics.mean_pinball_loss 公開了分位數迴歸的 pinball 損失。 #19415 由 Xavier Dupré 和 Oliver Grisel 貢獻。

• 功能 metrics.d2_tweedie_score 計算具有功率參數 power 的 Tweedie 離差的 D^2 迴歸分數。這是 r2_score 的概括，可以解釋為 Tweedie 離差的百分比。 #17036 由 Christian Lorentzen 貢獻。

• 功能 metrics.mean_squared_log_error 現在支援 squared=False。 #20326 由 Uttam kumar 貢獻。

• 效率 提高了標籤為整數時 metrics.confusion_matrix 的速度。 #9843 由 Jon Crall 貢獻。

• 增強 修復了當 pred_decision 為 1d 而它是多類別分類時，或當 pred_decision 參數與 labels 參數不一致時，在 metrics.hinge_loss 中引發錯誤的問題。 #19643 由 Pierre Attard 貢獻。

• 修正 metrics.ConfusionMatrixDisplay.plot 使用正確的最大值作為色彩圖。 #19784 由 Thomas Fan 貢獻。

• 修正 sample_weight 值為零的樣本不會影響 metrics.det_curve、metrics.precision_recall_curve 和 metrics.roc_curve 的結果。 #18328 由 Albert Villanova del Moral 和 Alonso Silva Allende 貢獻。

• 修復 避免在大量資料下 metrics.adjusted_rand_score 中發生溢位。 #20312 由 Divyanshu Deoli 貢獻。

• API 變更 metrics.ConfusionMatrixDisplay 公開了兩個類別方法 from_estimator 和 from_predictions，允許使用估算器或預測結果來建立混淆矩陣圖。metrics.plot_confusion_matrix 已被棄用，將在 1.2 版本中移除，建議改用這兩個類別方法。 #18543 由 Guillaume Lemaitre 貢獻。

• API 變更 metrics.PrecisionRecallDisplay 公開了兩個類別方法 from_estimator 和 from_predictions，允許使用估算器或預測結果來建立精確率-召回率曲線。metrics.plot_precision_recall_curve 已被棄用，將在 1.2 版本中移除，建議改用這兩個類別方法。 #20552 由 Guillaume Lemaitre 貢獻。

• API 變更 metrics.DetCurveDisplay 公開了兩個類別方法 from_estimator 和 from_predictions，允許使用估算器或預測結果來建立混淆矩陣圖。metrics.plot_det_curve 已被棄用，將在 1.2 版本中移除，建議改用這兩個類別方法。 #19278 由 Guillaume Lemaitre 貢獻。

sklearn.mixture

• 修復 確保在 mixture.GaussianMixture 和 mixture.BayesianGaussianMixture 發散的情況下，最佳參數會被正確設定。 #20030 由 Tingshan Liu 和 Benjamin Pedigo 貢獻。

sklearn.model_selection

• 新功能 新增 model_selection.StratifiedGroupKFold，結合了 model_selection.StratifiedKFold 和 model_selection.GroupKFold，在保持每個分割中類別分佈的同時，將每個群組保留在單一分割中，提供分割資料的能力。 #18649 由 Leandro Hermida 和 Rodion Martynov 貢獻。

• 增強 在交叉驗證中，對於每個分割的擬合失敗，僅在主進程中警告一次。 #20619 由 Loïc Estève 貢獻

• 增強 model_selection.BaseShuffleSplit 基礎類別現在是公開的。 #20056 由 @pabloduque0 貢獻。

• 修復 避免在 model_selection.train_test_split 中發生過早溢位。 #20904 由 Tomasz Jakubek 貢獻。

sklearn.naive_bayes

• 修復 離散樸素貝氏分類器（naive_bayes.BernoulliNB、naive_bayes.CategoricalNB、naive_bayes.ComplementNB 和 naive_bayes.MultinomialNB）的 fit 和 partial_fit 方法現在可以正確處理訓練集中單一類別的退化情況。 #18925 由 David Poznik 貢獻。

• API 變更 naive_bayes.GaussianNB 中的屬性 sigma_ 已被棄用，將在 1.2 版本中移除。請改用 var_。 #18842 由 Hong Shao Yang 貢獻。

sklearn.neighbors

• 增強 neighbors.KDTree 和 neighbors.BallTree 的建立過程已得到改善，其最差時間複雜度從 \(\mathcal{O}(n^2)\) 降至 \(\mathcal{O}(n)\)。 #19473 由 jiefangxuanyan 和 Julien Jerphanion 貢獻。

• 修復 neighbors.DistanceMetric 子類別現在支援唯讀的記憶體對應資料集。 #19883 由 Julien Jerphanion 貢獻。

• 修復 neighbors.NearestNeighbors、neighbors.KNeighborsClassifier、neighbors.RadiusNeighborsClassifier、neighbors.KNeighborsRegressor 和 neighbors.RadiusNeighborsRegressor 不再於 __init__ 中驗證 weights，而是在 fit 中驗證。 #20072 由 Juan Carlos Alfaro Jiménez 貢獻。

• API 變更 neighbors.RadiusNeighborsClassifier 的參數 kwargs 已被棄用，並將在 1.2 版本中移除。#20842 by Juan Martín Loyola。

sklearn.neural_network

• 修復 neural_network.MLPClassifier 和 neural_network.MLPRegressor 現在在從 pickled 檔案載入時，正確支援繼續訓練。#19631 by Thomas Fan。

sklearn.pipeline

• API 變更 pipeline.Pipeline 的 predict_proba 和 predict_log_proba 方法現在支援將預測 kwargs 傳遞給最終的估計器。#19790 by Christopher Flynn。

sklearn.preprocessing

• 新功能 新的 preprocessing.SplineTransformer 是一個用於產生 B 樣條曲線的特徵預處理工具，其參數由樣條曲線的多項式 degree、節點數 n_knots 和節點定位策略 knots 設定。#18368 by Christian Lorentzen。 preprocessing.SplineTransformer 也透過 extrapolation 參數支援週期性樣條曲線。#19483 by Malte Londschien。 preprocessing.SplineTransformer 支援節點位置策略 "quantile" 的樣本權重。#20526 by Malte Londschien。

• 新功能 preprocessing.OrdinalEncoder 預設支援傳遞遺失值。#19069 by Thomas Fan。

• 新功能 preprocessing.OneHotEncoder 現在支援 handle_unknown='ignore' 和捨棄類別。#19041 by Thomas Fan。

• 新功能 preprocessing.PolynomialFeatures 現在支援將元組傳遞給 degree，即 degree=(min_degree, max_degree)。#20250 by Christian Lorentzen。

• 效率提升 preprocessing.StandardScaler 速度更快，記憶體使用效率更高。#20652 by Thomas Fan。

• 效率提升 將 preprocessing.KBinsDiscretizer 中 cluster.KMeans 的 algorithm 參數從 auto 變更為 full。#19934 by Gleb Levitskiy。

• 效率提升 preprocessing.PolynomialFeatures 轉換器的 fit 方法的實作速度現在更快。在大型稀疏輸入上尤其明顯。#19734 by Fred Robinson。

• 修復 當輸入資料為 1D 時，preprocessing.StandardScaler.inverse_transform 方法現在會引發錯誤。#19752 by Zhehao Liu。

• 修復 preprocessing.scale、preprocessing.StandardScaler 和類似的縮放器會偵測接近常數的特徵，以避免將它們縮放到非常大的值。當在具有樣本權重的常數列的稀疏資料上使用縮放器時，會發生此問題，在這種情況下，通常會停用中心化。#19527 by Oliver Grisel and Maria Telenczuk and #19788 by Jérémie du Boisberranger。

• 修復 preprocessing.StandardScaler.inverse_transform 現在正確處理整數 dtype。#19356 by @makoeppel。

• 修復 preprocessing.OrdinalEncoder.inverse_transform 不支援稀疏矩陣，並引發適當的錯誤訊息。#19879 by Guillaume Lemaitre。

• 修復 當 handle_unknown='ignore' 且未知的類別被給予 fit 時，preprocessing.OrdinalEncoder 的 fit 方法不會引發錯誤。#19906 by Zhehao Liu。

• 修復 修復 preprocessing.OrdinalEncoder 中的回歸問題，其中在轉換為 C 類型 (np.float64 或 np.int64) 時，大型 Python 數值會因溢位而引發錯誤。#20727 by Guillaume Lemaitre。

• 修復 preprocessing.FunctionTransformer 不會根據 inverse_transform 的輸入設定 n_features_in_。#20961 by Thomas Fan。

• API 變更 preprocessing.PolynomialFeatures 的 n_input_features_ 屬性已棄用，改用 n_features_in_，並將在 1.2 版本中移除。#20240 by Jérémie du Boisberranger。

sklearn.svm

• API 變更 svm.OneClassSVM.fit 的參數 **params 已被棄用，並將在 1.2 版本中移除。 #20843 由 Juan Martín Loyola 貢獻。

sklearn.tree

• 增強 在 tree.export_graphviz 中新增 fontname 參數，以支援非英文字符。 #18959 由 Zero 和 wstates 貢獻。

• 修復 改善 tree.plot_tree 在高 DPI 螢幕上的相容性。 #20023 由 Thomas Fan 貢獻。

• 修復 修復了 tree.DecisionTreeClassifier 和 tree.DecisionTreeRegressor 中的一個錯誤，該錯誤導致節點在不應該分裂的情況下分裂，原因是對捨入誤差的處理不正確。 #19336 由 Jérémie du Boisberranger 貢獻。

• API 變更 tree.DecisionTreeClassifier、tree.DecisionTreeRegressor、tree.ExtraTreeClassifier 和 tree.ExtraTreeRegressor 的 n_features_ 屬性已被棄用，改用 n_features_in_，並將在 1.2 版本中移除。 #20272 由 Jérémie du Boisberranger 貢獻。

sklearn.utils

• 增強 棄用了 randomized_svd 中 random_state=0 的預設值。從 1.2 版本開始，random_state 的預設值將設定為 None。 #19459 由 Cindy Bezuidenhout 和 Clifford Akai-Nettey 貢獻。

• 增強 新增了輔助裝飾器 utils.metaestimators.available_if，以更具可讀性的方式，根據狀態提供 metaestimator 中可用或不可用的方法。 #19948 由 Joel Nothman 貢獻。

• 增強 utils.validation.check_is_fitted 現在會使用 __sklearn_is_fitted__ (如果有的話)，而不是檢查以底線結尾的屬性。這也使得 pipeline.Pipeline 和 preprocessing.FunctionTransformer 可以通過 check_is_fitted(estimator) 的檢查。 #20657 由 Adrin Jalali 貢獻。

• 修復 修復了 utils.sparsefuncs.mean_variance_axis 中的一個錯誤，當實際變異數正好為零時，計算出的變異數精度會非常差。 #19766 由 Jérémie du Boisberranger 貢獻。

• 修復 現在使用 utils.deprecated 裝飾的屬性的 docstring 會正確換行。 #20385 由 Thomas Fan 貢獻。

• 修復 utils.stats._weighted_percentile 現在會正確忽略權重為零且小於權重為正的最小觀測值的觀測值，針對 percentile=0 的情況。受影響的類別包括針對 quantile=0 的 dummy.DummyRegressor，以及針對 alpha=0 的 ensemble.HuberLossFunction 和 ensemble.HuberLossFunction。 #20528 由 Malte Londschien 貢獻。

• 修復 utils._safe_indexing 在提供整數索引時會明確複製資料框，避免 Pandas 發出警告。此警告先前會在重新取樣工具和使用這些工具的函式中發出 (例如 model_selection.train_test_split、model_selection.cross_validate、model_selection.cross_val_score 和 model_selection.cross_val_predict)。 #20673 由 Joris Van den Bossche 貢獻。

• 修復 修復了 utils.is_scalar_nan 中的一個回歸錯誤，該錯誤導致大型 Python 數字在 C 類型 (np.float64 或 np.int64) 中溢位而引發錯誤。 #20727 由 Guillaume Lemaitre 貢獻。

• 修復 在 1.0 版本中，check_array 中已棄用對 np.matrix 的支援，並將在 1.2 版本中引發 TypeError。 #20165 由 Thomas Fan 貢獻。

• API 變更 utils._testing.assert_warns 和 utils._testing.assert_warns_message 在 1.0 版本中已棄用，並將在 1.2 版本中移除。請改用 pytest.warns 內容管理器。請注意，這些函式未被記錄且不屬於公開 API。 #20521 由 Olivier Grisel 貢獻。

• API 變更 修復了 utils.graph.graph_shortest_path 中的幾個錯誤，現在此函數已棄用。請改用 scipy.sparse.csgraph.shortest_path。 #20531，由 Tom Dupre la Tour 貢獻。

程式碼與文件貢獻者

感謝自 0.24 版本以來，所有為維護和改進專案做出貢獻的人，包括

Abdulelah S. Al Mesfer, Abhinav Gupta, Adam J. Stewart, Adam Li, Adam Midvidy, Adrian Garcia Badaracco, Adrian Sadłocha, Adrin Jalali, Agamemnon Krasoulis, Alberto Rubiales, Albert Thomas, Albert Villanova del Moral, Alek Lefebvre, Alessia Marcolini, Alexandr Fonari, Alihan Zihna, Aline Ribeiro de Almeida, Amanda, Amanda Dsouza, Amol Deshmukh, Ana Pessoa, Anavelyz, Andreas Mueller, Andrew Delong, Ashish, Ashvith Shetty, Atsushi Nukariya, Aurélien Geron, Avi Gupta, Ayush Singh, baam, BaptBillard, Benjamin Pedigo, Bertrand Thirion, Bharat Raghunathan, bmalezieux, Brian Rice, Brian Sun, Bruno Charron, Bryan Chen, bumblebee, caherrera-meli, Carsten Allefeld, CeeThinwa, Chiara Marmo, chrissobel, Christian Lorentzen, Christopher Yeh, Chuliang Xiao, Clément Fauchereau, cliffordEmmanuel, Conner Shen, Connor Tann, David Dale, David Katz, David Poznik, Dimitri Papadopoulos Orfanos, Divyanshu Deoli, dmallia17, Dmitry Kobak, DS_anas, Eduardo Jardim, EdwinWenink, EL-ATEIF Sara, Eleni Markou, EricEllwanger, Eric Fiegel, Erich Schubert, Ezri-Mudde, Fatos Morina, Felipe Rodrigues, Felix Hafner, Fenil Suchak, flyingdutchman23, Flynn, Fortune Uwha, Francois Berenger, Frankie Robertson, Frans Larsson, Frederick Robinson, frellwan, Gabriel S Vicente, Gael Varoquaux, genvalen, Geoffrey Thomas, geroldcsendes, Gleb Levitskiy, Glen, Glòria Macià Muñoz, gregorystrubel, groceryheist, Guillaume Lemaitre, guiweber, Haidar Almubarak, Hans Moritz Günther, Haoyin Xu, Harris Mirza, Harry Wei, Harutaka Kawamura, Hassan Alsawadi, Helder Geovane Gomes de Lima, Hugo DEFOIS, Igor Ilic, Ikko Ashimine, Isaack Mungui, Ishaan Bhat, Ishan Mishra, Iván Pulido, iwhalvic, J Alexander, Jack Liu, James Alan Preiss, James Budarz, James Lamb, Jannik, Jeff Zhao, Jennifer Maldonado, Jérémie du Boisberranger, Jesse Lima, Jianzhu Guo, jnboehm, Joel Nothman, JohanWork, John Paton, Jonathan Schneider, Jon Crall, Jon Haitz Legarreta Gorroño, Joris Van den Bossche, José Manuel Nápoles Duarte, Juan Carlos Alfaro Jiménez, Juan Martin Loyola, Julien Jerphanion, Julio Batista Silva, julyrashchenko, JVM, Kadatatlu Kishore, Karen Palacio, Kei Ishikawa, kmatt10, kobaski, Kot271828, Kunj, KurumeYuta, kxytim, lacrosse91, LalliAcqua, Laveen Bagai, Leonardo Rocco, Leonardo Uieda, Leopoldo Corona, Loic Esteve, LSturtew, Luca Bittarello, Luccas Quadros, Lucy Jiménez, Lucy Liu, ly648499246, Mabu Manaileng, Manimaran, makoeppel, Marco Gorelli, Maren Westermann, Mariangela, Maria Telenczuk, marielaraj, Martin Hirzel, Mateo Noreña, Mathieu Blondel, Mathis Batoul, mathurinm, Matthew Calcote, Maxime Prieur, Maxwell, Mehdi Hamoumi, Mehmet Ali Özer, Miao Cai, Michal Karbownik, michalkrawczyk, Mitzi, mlondschien, Mohamed Haseeb, Mohamed Khoualed, Muhammad Jarir Kanji, murata-yu, Nadim Kawwa, Nanshan Li, naozin555, Nate Parsons, Neal Fultz, Nic Annau, Nicolas Hug, Nicolas Miller, Nico Stefani, Nigel Bosch, Nikita Titov, Nodar Okroshiashvili, Norbert Preining, novaya, Ogbonna Chibuike Stephen, OGordon100, Oliver Pfaffel, Olivier Grisel, Oras Phongpanangam, Pablo Duque, Pablo Ibieta-Jimenez, Patric Lacouth, Paulo S. Costa, Paweł Olszewski, Peter Dye, PierreAttard, Pierre-Yves Le Borgne, PranayAnchuri, Prince Canuma, putschblos, qdeffense, RamyaNP, ranjanikrishnan, Ray Bell, Rene Jean Corneille, Reshama Shaikh, ricardojnf, RichardScottOZ, Rodion Martynov, Rohan Paul, Roman Lutz, Roman Yurchak, Samuel Brice, Sandy Khosasi, Sean Benhur J, Sebastian Flores, Sebastian Pölsterl, Shao Yang Hong, shinehide, shinnar, shivamgargsya, Shooter23, Shuhei Kayawari, Shyam Desai, simonamaggio, Sina Tootoonian, solosilence, Steven Kolawole, Steve Stagg, Surya Prakash, swpease, Sylvain Marié, Takeshi Oura, Terence Honles, TFiFiE, Thomas A Caswell, Thomas J. Fan, Tim Gates, TimotheeMathieu, Timothy Wolodzko, Tim Vink, t-jakubek, t-kusanagi, tliu68, Tobias Uhmann, tom1092, Tomás Moreyra, Tomás Ronald Hughes, Tom Dupré la Tour, Tommaso Di Noto, Tomohiro Endo, TONY GEORGE, Toshihiro NAKAE, tsuga, Uttam kumar, vadim-ushtanit, Vangelis Gkiastas, Venkatachalam N, Vilém Zouhar, Vinicius Rios Fuck, Vlasovets, waijean, Whidou, xavier dupré, xiaoyuchai, Yasmeen Alsaedy, yoch, Yosuke KOBAYASHI, Yu Feng, YusukeNagasaka, yzhenman, Zero, ZeyuSun, ZhaoweiWang, Zito, Zito Relova