版本 1.1

有關此版本主要重點的簡短說明，請參考scikit-learn 1.1 的發行重點。

更新日誌圖例

• 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 各種小的改進。

• 修復 之前沒有按照文件描述或合理預期運作的功能，現在應該可以運作了。

• API 變更 您將需要更改程式碼才能在未來獲得相同的效果；或某個功能將在未來被移除。

版本 1.1.3

2022 年 10 月

此錯誤修復版本僅包含與最新的 SciPy 版本 >= 1.9.2 的相容性修復。值得注意的變更包括：

• 修復 在 scikit-learn 的 wheel 中包含 msvcp140.dll，因為它已在最新的 SciPy wheel 中被移除。#24631 由 Chiara Marmo 提供。

• 增強 為 Python 3.11 建立 wheel。#24446 由 Chiara Marmo 提供。

其他錯誤修復將在接下來的 1.2 版本中提供，該版本將在未來幾週內發布。

請注意，此版本已停止支援 Windows 上的 32 位元 Python。這是因為 SciPy 1.9.2 也已停止支援該平台。建議 Windows 使用者安裝 64 位元版本的 Python。

版本 1.1.2

2022 年 8 月

已變更的模型

以下估算器和函數，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（錯誤修復或增強）或隨機取樣程序的變更所造成的。

• 修復 manifold.TSNE 現在當使用 perplexity>=n_samples 進行擬合時會拋出 ValueError，以確保演算法的數學正確性。#10805 由 Mathias Andersen 提供，以及 #23471 由 Meekail Zain 提供。

更新日誌

• 修復 對於具有無效參數的元估算器，會顯示預設的 HTML 表示。#24015 由 Thomas Fan 提供。

• 修復 為在 1.1 中已變更後端的估算器和函數新增對 F 連續陣列的支援。#23990 由 Julien Jerphanion 提供。

• 修復 現在可為 MacOS 10.9 及更高版本提供 wheel。#23833 由 Thomas Fan 提供。

sklearn.base

• 修復 base.BaseEstimator 類別的 get_params 方法現在支援具有 type 類型且具有 get_params 方法的參數的估算器。#24017 由 Henry Sorsky 提供。

sklearn.cluster

• 修復 修復了 cluster.Birch 中的錯誤，如果資料集中存在重複項，則在分割節點時可能會觸發錯誤。#23395 由 Jérémie du Boisberranger 提供。

sklearn.feature_selection

• 修復 當估算器是 linear_model.ElasticNet 或 linear_model.ElasticNetCV 且 l1_ratio 等於 1 或 linear_model.LassoCV 時，feature_selection.SelectFromModel 的預設選取閾值為 1e-5。#23636 由 Hao Chun Chang 提供。

sklearn.impute

• 修復 當 dtype 為物件時，impute.SimpleImputer 會在 transform 時使用在 fit 中看到的 dtype。#22063 由 Thomas Fan 提供。

sklearn.linear_model

• 修復 對於 Gram 矩陣（由使用者傳遞或預先計算），使用 dtype 感知的容差進行驗證。#22059 由 Malte S. Kurz 提供。

• 修復 修復了 linear_model.LogisticRegression 中使用 solver="newton-cg"、fit_intercept=True 和單一特徵時的錯誤。#23608 由 Tom Dupre la Tour 提供。

sklearn.manifold

• 修復 manifold.TSNE 現在當使用 perplexity>=n_samples 進行擬合時會拋出 ValueError，以確保演算法的數學正確性。#10805 由 Mathias Andersen 提供，以及 #23471 由 Meekail Zain 提供。

sklearn.metrics

• 修復 修復了 metrics.coverage_error 對於 1D 陣列輸入的錯誤訊息。#23548 由 Hao Chun Chang 提供。

sklearn.preprocessing

• 修正 preprocessing.OrdinalEncoder.inverse_transform 正確處理 unknown_value 或 encoded_missing_value 為 nan 的情況。#24087，由 Thomas Fan 貢獻。

sklearn.tree

• 修正 修正了在 tree.DecisionTreeRegressor 和 tree.DecisionTreeClassifier 擬合過程中發生的無效記憶體存取錯誤。#23273，由 Thomas Fan 貢獻。

版本 1.1.1

2022 年 5 月

更新日誌

• 增強 當匯入 model_selection.HalvingGridSearchCV、model_selection.HalvingRandomSearchCV 或 impute.IterativeImputer 但未匯入實驗性標誌時，錯誤訊息已獲得改善。#23194，由 Thomas Fan 貢獻。

• 增強 在 doc/conf.py 中新增了一個擴充功能，以自動產生處理 NaN 值的估計器列表。#23198，由 Lise Kleiber、Zhehao Liu 和 Chiara Marmo 貢獻。

sklearn.datasets

• 修正 透過不傳遞 timeout 參數，避免在 datasets.fetch_openml 中發生逾時狀況。#23358，由 Loïc Estève 貢獻。

sklearn.decomposition

• 修正 當 n_samples == n_components 時，避免在 decomposition.IncrementalPCA 中出現虛假的警告。#23264，由 Lucy Liu 貢獻。

sklearn.feature_selection

• 修正 feature_selection.SelectFromModel 的 partial_fit 方法現在會驗證 max_features 和 feature_names_in 參數。#23299，由 Long Bao 貢獻。

sklearn.metrics

• 修正 修正 metrics.precision_recall_curve 以計算 100% 召回率的精確率-召回率。精確率-召回率曲線現在會顯示最後一個點，該點對應於始終預測正類的分類器：召回率 = 100%，精確率 = 類別平衡。#23214，由 Stéphane Collot 和 Max Baak 貢獻。

sklearn.preprocessing

• 修正 當 degree 等於 0 且 include_bias 設定為 False 時，preprocessing.PolynomialFeatures 會引發錯誤，而當 include_bias 設定為 True 時，則會輸出單一常數陣列。#23370，由 Zhehao Liu 貢獻。

sklearn.tree

• 修正 修正了 tree.DecisionTreeClassifier、tree.DecisionTreeRegressor、ensemble.RandomForestClassifier、ensemble.RandomForestRegressor、ensemble.GradientBoostingClassifier 和 ensemble.GradientBoostingRegressor 中低基數特徵的效能回歸問題。#23410，由 Loïc Estève 貢獻。

sklearn.utils

• 修正 utils.class_weight.compute_sample_weight 現在可與稀疏的 y 搭配使用。#23115，由 kernc 貢獻。

版本 1.1.0

2022 年 5 月

最低依賴性

scikit-learn 1.1.0 版需要 Python 3.8+、numpy 1.17.3+ 和 scipy 1.3.2+。可選的最低依賴性是 matplotlib 3.1.2+。

變更的模型

以下估算器和函數，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（錯誤修復或增強）或隨機取樣程序的變更所造成的。

• 效率 cluster.KMeans 現在預設為 algorithm="lloyd"，而不是 algorithm="auto"，後者等同於 algorithm="elkan"。Lloyd 演算法和 Elkan 演算法會收斂到相同的解決方案（直至數值四捨五入誤差），但一般來說，Lloyd 演算法使用的記憶體少得多，而且通常速度更快。

• 效率提升 擬合 tree.DecisionTreeClassifier、 tree.DecisionTreeRegressor、 ensemble.RandomForestClassifier、 ensemble.RandomForestRegressor、 ensemble.GradientBoostingClassifier 和 ensemble.GradientBoostingRegressor 的速度平均比先前版本快了 15%，這歸功於新的排序演算法來尋找最佳分割。由於處理具有相同準則值之分割的方式不同，模型可能會有所差異：舊的與新的排序演算法皆為不穩定的排序演算法。#22868 由 Thomas Fan 貢獻。

• 修正 現在，當使用 'amg' 或 'lobpcg' 求解器時，cluster.SpectralClustering 和 manifold.SpectralEmbedding 的特徵向量初始化會從高斯分佈中取樣。此變更改善了求解器的數值穩定性，但可能會導致不同的模型。

• 修正 feature_selection.f_regression 和 feature_selection.r_regression 現在預設會回傳有限的分數，而不是在某些邊緣情況下回傳 np.nan 和 np.inf。如果您真的想要取得非有限的值並保持舊的行為，可以使用 force_finite=False。

• 修正 當傳遞至 Estimator 時，具有所有非字串欄位（例如 MultiIndex）的 Pandas DataFrames 不再發出警告。Estimator 將繼續忽略具有非字串欄位的 DataFrames 中的欄位名稱。為了定義 feature_names_in_，欄位必須全部為字串。#22410 由 Thomas Fan 貢獻。

• 修正 preprocessing.KBinsDiscretizer 稍微變更了 bin 邊緣的處理方式，這可能會導致相同的資料產生不同的編碼。

• 修正 calibration.calibration_curve 稍微變更了 bin 邊緣的處理方式，這可能會導致相同的資料產生不同的輸出曲線。

• 修正 discriminant_analysis.LinearDiscriminantAnalysis 現在使用正確的變異數縮放係數，這可能會導致不同的模型行為。

• 修正 現在可以使用 prefit=True 呼叫 feature_selection.SelectFromModel.fit 和 feature_selection.SelectFromModel.partial_fit。當 prefit=True 時，estimators_ 將會是 estimator 的深層複本。#23271 由 Guillaume Lemaitre 貢獻。

變更日誌

• 效率提升 已重構用於密集 float64 資料集上成對距離縮減的低階常式。以下函數和估計器現在受益於硬體可擴展性和加速方面的效能提升：

  • 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

  例如，sklearn.neighbors.NearestNeighbors.kneighbors 和 sklearn.neighbors.NearestNeighbors.radius_neighbors 在筆記型電腦上的速度分別比先前快了 20 倍和 5 倍。

  此外，這兩個演算法的實作現在適用於具有多個核心的機器，使其可用於包含數百萬個樣本的資料集。

  #21987、 #22064、 #22065、 #22288 和 #22320 由 Julien Jerphanion 貢獻。

• 增強 現在，當某些輸入包含意外的 NaN 或無限值時，所有 scikit-learn 模型都會產生更具資訊性的錯誤訊息。特別是，訊息包含輸入名稱（“X”、“y” 或 “sample_weight”），如果在 X 中找到意外的 NaN 值，錯誤訊息會建議潛在的解決方案。#21219 由 Olivier Grisel 貢獻。

• 增強 現在，當使用 set_params 設定無效的超參數時，所有 scikit-learn 模型都會產生更具資訊性的錯誤訊息。#21542 由 Olivier Grisel 貢獻。

• 增強 移除 HTML 表示中的隨機唯一識別碼。透過此變更，只要以相同的順序執行儲存格，jupyter 筆記本就是可重現的。#23098 由 Thomas Fan 貢獻。

• 修正 將 non_deterministic 標籤設定為 True 的估計器會跳過 check_methods_sample_order_invariance 和 check_methods_subset_invariance 測試。#22318 由 Zhehao Liu 貢獻。

• API 變更 使用對數損失（又稱二項式或多項式偏差）的選項（透過 loss 參數）已變得更加一致。首選的方式是將值設定為 "log_loss"。舊的選項名稱仍然有效，並產生相同的模型，但已棄用，將在 1.3 版中移除。

  • 對於 ensemble.GradientBoostingClassifier，loss 參數名稱「deviance」已棄用，改為使用新名稱「log_loss」，這也是目前的預設值。#23036 由 Christian Lorentzen 貢獻。

  • 對於 ensemble.HistGradientBoostingClassifier，loss 參數名稱「auto」、「binary_crossentropy」和「categorical_crossentropy」已棄用，改為使用新名稱「log_loss」，這也是目前的預設值。#23040 由 Christian Lorentzen 貢獻。

  • 對於 linear_model.SGDClassifier，loss 參數名稱「log」已棄用，改為使用新名稱「log_loss」。#23046 由 Christian Lorentzen 貢獻。

• API 變更 現在，在 Jupyter 筆記本中預設啟用估計器的豐富 HTML 表示法。可以在 sklearn.set_config 中設定 display='text' 來停用此功能。#22856 由 Jérémie du Boisberranger 貢獻。

sklearn.calibration

• 增強 calibration.calibration_curve 接受一個參數 pos_label 來指定正類別標籤。 #21032 由 Guillaume Lemaitre 貢獻。

• 增強 calibration.CalibratedClassifierCV.fit 現在支援傳遞 fit_params，這些參數會傳遞給 base_estimator。 #18170 由 Benjamin Bossan 貢獻。

• 增強 calibration.CalibrationDisplay 接受一個參數 pos_label 來將此資訊新增至繪圖中。 #21038 由 Guillaume Lemaitre 貢獻。

• 修復 calibration.calibration_curve 現在能更一致地處理 bin 邊界。 #14975 由 Andreas Müller 貢獻 以及 #22526 由 Meekail Zain 貢獻。

• API 變更 calibration.calibration_curve 的 normalize 參數現在已棄用，並將在 1.3 版本中移除。建議使用正確的機率（即分類器的 predict_proba 正類別）作為 y_prob。 #23095 由 Jordan Silke 貢獻。

sklearn.cluster

• 主要功能 cluster.BisectingKMeans 引入了二分 K-Means 演算法 #20031 由 Michal Krawczyk, Tom Dupre la Tour 和 Jérémie du Boisberranger 貢獻。

• 增強 cluster.SpectralClustering 和 cluster.spectral_clustering 現在包含新的 'cluster_qr' 方法，該方法會在嵌入空間中對樣本進行群集，作為現有 'kmeans' 和 'discrete' 方法的替代方案。請參閱 cluster.spectral_clustering 以了解更多詳細資訊。 #21148 由 Andrew Knyazev 貢獻。

• 增強 將 get_feature_names_out 新增至 cluster.Birch、cluster.FeatureAgglomeration、cluster.KMeans、cluster.MiniBatchKMeans。 #22255 由 Thomas Fan 貢獻。

• 增強 cluster.SpectralClustering 現在在傳遞無效的 n_clusters、n_init、gamma、n_neighbors、eigen_tol 或 degree 值時，會發出一致的錯誤訊息。 #21881 由 Hugo Vassard 貢獻。

• 增強 cluster.AffinityPropagation 現在會回傳群集中心和標籤 (如果存在)，即使模型尚未完全收斂。當回傳這些可能退化的群集中心和標籤時，會顯示新的警告訊息。如果沒有建立任何群集中心，則群集中心仍為空列表，且標籤設定為 -1，並顯示原始警告訊息。 #22217 由 Meekail Zain 貢獻。

• 效率提升 在 cluster.KMeans 中，預設的 algorithm 現在為 "lloyd"，這是完整經典的 EM 式演算法。"auto" 和 "full" 都已棄用，並將在 1.3 版本中移除。它們現在是 "lloyd" 的別名。先前的預設值為 "auto"，它依賴於 Elkan 的演算法。Lloyd 的演算法使用的記憶體比 Elkan 的少，它在許多資料集上速度更快，並且其結果是相同的，因此進行了此變更。 #21735 由 Aurélien Geron 貢獻。

• 修復 cluster.KMeans 的 init 參數現在正確支援類陣列輸入和 NumPy 字串純量。 #22154 由 Thomas Fan 貢獻。

sklearn.compose

• 修復 compose.ColumnTransformer 現在會從 __init__ 和 set_params 方法中移除驗證錯誤。 #22537 由 iofall 和 Arisa Y. 貢獻。

• 修復 當使用 slice 指定欄位時，compose.ColumnTransformer 中的 get_feature_names_out 功能已損壞。此問題已在 #22775 和 #22913 中修復，由 randomgeek78 貢獻。

sklearn.covariance

• 修正 covariance.GraphicalLassoCV 現在接受 NumPy 陣列作為參數 alphas。 #22493 由 Guillaume Lemaitre 貢獻。

sklearn.cross_decomposition

• 增強 cross_decomposition.PLSRegression、cross_decomposition.PLSCanonical 和 cross_decomposition.CCA 的 inverse_transform 方法現在允許在給定 Y 參數時重建 X 目標。 #19680 由 Robin Thibaut 貢獻。

• 增強 將 get_feature_names_out 新增到 cross_decomposition 模組中的所有轉換器：cross_decomposition.CCA、cross_decomposition.PLSSVD、cross_decomposition.PLSRegression 和 cross_decomposition.PLSCanonical。 #22119 由 Thomas Fan 貢獻。

• 修正 cross_decomposition.CCA、cross_decomposition.PLSCanonical 和 cross_decomposition.PLSRegression 的 coef_ 屬性形狀將在 1.3 版本中從 (n_features, n_targets) 變更為 (n_targets, n_features)，以便與其他線性模型保持一致，並使其能夠與期望特定 coef_ 形狀的介面（例如 feature_selection.RFE）一起使用。 #22016 由 Guillaume Lemaitre 貢獻。

• API 變更 將擬合屬性 intercept_ 新增到 cross_decomposition.PLSCanonical、cross_decomposition.PLSRegression 和 cross_decomposition.CCA。 方法 predict 實際上等同於 Y = X @ coef_ + intercept_。 #22015 由 Guillaume Lemaitre 貢獻。

sklearn.datasets

• 功能 datasets.load_files 現在接受基於檔案副檔名的忽略列表和允許列表。 #19747 由 Tony Attalla 貢獻，以及 #22498 由 Meekail Zain 貢獻。

• 增強 datasets.make_swiss_roll 現在支援可選參數 hole；當設定為 True 時，它會回傳瑞士孔資料集。 #21482 由 Sebastian Pujalte 貢獻。

• 增強 datasets.make_blobs 在生成過程中不再複製資料，因此使用較少的記憶體。 #22412 由 Zhehao Liu 貢獻。

• 增強 datasets.load_diabetes 現在接受參數 scaled，以允許載入未縮放的資料。 此資料集的縮放版本現在從未縮放的資料計算，並且可能會產生與先前版本略有不同的結果（在 1e-4 的絕對容差範圍內）。 #16605 由 Mandy Gu 貢獻。

• 增強 datasets.fetch_openml 現在有兩個可選參數 n_retries 和 delay。 預設情況下，datasets.fetch_openml 將在網路故障時重試 3 次，每次嘗試之間會有延遲。 #21901 由 Rileran 貢獻。

• 修正 datasets.fetch_covtype 現在是並行安全的：資料會先下載到暫存目錄，然後再移動到資料目錄。 #23113 由 Ilion Beyst 貢獻。

• API 變更 datasets.make_sparse_coded_signal 現在接受參數 data_transposed 以明確指定矩陣 X 的形狀。 預設行為 True 是回傳一個轉置矩陣 X，對應於 (n_features, n_samples) 的形狀。 預設值將在 1.3 版本中變更為 False。 #21425 由 Gabriel Stefanini Vicente 貢獻。

sklearn.decomposition

• 主要功能 新增了一個新的估算器 decomposition.MiniBatchNMF。 它是一個更快但不太精確的非負矩陣分解版本，更適合大型資料集。 #16948 由 Chiara Marmo、Patricio Cerda 和 Jérémie du Boisberranger 貢獻。

• 增強 decomposition.dict_learning、decomposition.dict_learning_online 和 decomposition.sparse_encode 為 numpy.float32 保留 dtype。 decomposition.DictionaryLearning、decomposition.MiniBatchDictionaryLearning 和 decomposition.SparseCoder 為 numpy.float32 保留 dtype。#22002 由 Takeshi Oura 貢獻。

• 增強 decomposition.PCA 公開一個參數 n_oversamples，用於調整 utils.extmath.randomized_svd，並在特徵數量很大時獲得精確的結果。#21109 由 Smile 貢獻。

• 增強 decomposition.MiniBatchDictionaryLearning 和 decomposition.dict_learning_online 已被重構，現在具有基於字典或目標函數微小變化的停止準則，由新的 max_iter、tol 和 max_no_improvement 參數控制。此外，它們的一些參數和屬性已被棄用。

  • 兩者的 n_iter 參數已被棄用。請改用 max_iter。

  • decomposition.dict_learning_online 的 iter_offset、return_inner_stats、inner_stats 和 return_n_iter 參數用於內部目的，已被棄用。

  • decomposition.MiniBatchDictionaryLearning 的 inner_stats_、iter_offset_ 和 random_state_ 屬性用於內部目的，已被棄用。

  • 兩者的 batch_size 參數預設值將在 1.3 版本中從 3 變更為 256。

  #18975 由 Jérémie du Boisberranger 貢獻。

• 增強 decomposition.SparsePCA 和 decomposition.MiniBatchSparsePCA 為 numpy.float32 保留 dtype。#22111 由 Takeshi Oura 貢獻。

• 增強 如果 algorithm='randomized'，decomposition.TruncatedSVD 現在允許 n_components == n_features。#22181 由 Zach Deane-Mayer 貢獻。

• 增強 將 get_feature_names_out 新增至 decomposition 模組中的所有轉換器：decomposition.DictionaryLearning、decomposition.FactorAnalysis、decomposition.FastICA、decomposition.IncrementalPCA、decomposition.KernelPCA、decomposition.LatentDirichletAllocation、decomposition.MiniBatchDictionaryLearning、decomposition.MiniBatchSparsePCA、decomposition.NMF、decomposition.PCA、decomposition.SparsePCA 和 decomposition.TruncatedSVD。#21334 由 Thomas Fan 貢獻。

• 增強 decomposition.TruncatedSVD 公開了 n_oversamples 和 power_iteration_normalizer 參數，用於調整 utils.extmath.randomized_svd，並在特徵數量很大、矩陣的秩很高，或矩陣的其他特徵使低秩近似困難時獲得精確的結果。#21705 由 Jay S. Stanley III 貢獻。

• 增強 decomposition.PCA 公開了 power_iteration_normalizer 參數，用於調整 utils.extmath.randomized_svd，並在低秩近似困難時獲得更精確的結果。#21705 由 Jay S. Stanley III 貢獻。

• 修復 decomposition.FastICA 現在於 fit 中而非 __init__ 中驗證輸入參數。#21432 由 Hannah Bohle 和 Maren Westermann 貢獻。

• 修復 decomposition.FastICA 現在接受 np.float32 資料，而不會靜默地向上轉換。dtype 會由 fit 和 fit_transform 保留，且主要的已擬合屬性會使用與訓練資料相同精度的 dtype。#22806 由 Jihane Bennis 和 Olivier Grisel 貢獻。

• 修復 decomposition.FactorAnalysis 現在於 fit 中而非 __init__ 中驗證輸入參數。#21713 由 Haya 和 Krum Arnaudov 貢獻。

• 修正 decomposition.KernelPCA 現在會在 fit 中驗證輸入參數，而不是在 __init__ 中驗證。 #21567 由 Maggie Chege 貢獻。

• 修正 decomposition.PCA 和 decomposition.IncrementalPCA 在 self.noise_variance_ 為零時，會更安全地使用共變異數矩陣的反矩陣計算精確度。 #22300 由 Meekail Zain 貢獻，以及 #15948 由 @sysuresh 貢獻。

• 修正 大幅降低呼叫 fit 或 fit_transform 時，decomposition.PCA 的峰值記憶體使用量。 #22553 由 Meekail Zain 貢獻。

• API 變更 decomposition.FastICA 現在支援白化的單位變異數。其 whiten 引數的預設值將在 1.3 版中從 True (行為類似於 'arbitrary-variance') 變更為 'unit-variance'。 #19490 由 Facundo Ferrin 和 Julien Jerphanion 貢獻。

sklearn.discriminant_analysis

• 增強 將 get_feature_names_out 新增至 discriminant_analysis.LinearDiscriminantAnalysis。 #22120 由 Thomas Fan 貢獻。

• 修正 discriminant_analysis.LinearDiscriminantAnalysis 現在使用正確的變異數縮放係數，這可能會導致不同的模型行為。 #15984 由 Okon Samuel 貢獻，以及 #22696 由 Meekail Zain 貢獻。

sklearn.dummy

• 修正 dummy.DummyRegressor 在 fit 期間不再覆寫 constant 參數。 #22486 由 Thomas Fan 貢獻。

sklearn.ensemble

• 主要功能 為 ensemble.HistGradientBoostingRegressor 新增了額外的選項 loss="quantile"，用於建立分位數模型。可以使用新的參數 quantile 指定分位數等級。 #21800 和 #20567 由 Christian Lorentzen 貢獻。

• 效率 ensemble.GradientBoostingClassifier 和 ensemble.GradientBoostingRegressor 的 fit 現在會使用參數 force_all_finite=False 呼叫 utils.check_array，用於非初始的暖啟動執行，因為之前已檢查過。 #22159 由 Geoffrey Paris 貢獻。

• 增強 由於新的私有損失函數模組，ensemble.HistGradientBoostingClassifier 對於二元問題，尤其是對於多類別問題，速度更快。 #20811、#20567 和 #21814 由 Christian Lorentzen 貢獻。

• 增強 在 ensemble.StackingClassifier 和 ensemble.StackingRegressor 中新增了使用預先擬合模型與 cv="prefit" 的支援。 #16748 由 Siqi He 貢獻，以及 #22215 由 Meekail Zain 貢獻。

• 增強 ensemble.RandomForestClassifier 和 ensemble.ExtraTreesClassifier 有了新的 criterion="log_loss"，它等效於 criterion="entropy"。 #23047 由 Christian Lorentzen 貢獻。

• 增強 將 get_feature_names_out 新增至 ensemble.VotingClassifier、ensemble.VotingRegressor、ensemble.StackingClassifier 和 ensemble.StackingRegressor。 #22695 和 #22697 由 Thomas Fan 貢獻。

• 增強 ensemble.RandomTreesEmbedding 現在具有資訊豐富的 get_feature_names_out 函數，該函數在輸出特徵名稱中包含樹索引和葉索引。 #21762 由 Zhehao Liu 和 Thomas Fan 貢獻。

• 效率 在多處理設定中，擬合 ensemble.RandomForestClassifier、ensemble.RandomForestRegressor、ensemble.ExtraTreesClassifier、ensemble.ExtraTreesRegressor 和 ensemble.RandomTreesEmbedding 的速度更快，尤其是對於啟用 warm_start 的後續擬合。 #22106 由 Pieter Gijsbers 貢獻。

• 修正 變更 ensemble.GradientBoostingClassifier 和 ensemble.GradientBoostingRegressor 中的參數 validation_fraction，使得當傳入的引數不是浮點數時，會引發錯誤。#21632 由 Genesis Valencia 貢獻。

• 修正 移除當 CPU 資源使用受到限制時（例如在 Docker 容器中使用 cgroups 配額）ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 中潛在的 CPU 過度訂閱來源。#22566 由 Jérémie du Boisberranger 貢獻。

• 修正 當使用非預設的 scoring 參數且啟用 early_stopping 時，ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 不再於在 pandas DataFrame 上進行擬合時發出警告。#22908 由 Thomas Fan 貢獻。

• 修正 修復 ensemble.StackingClassifier 和 ensemble.StackingRegressor 的 HTML 表示。#23097 由 Thomas Fan 貢獻。

• API 變更 ensemble.GradientBoostingClassifier 和 ensemble.GradientBoostingRegressor 的屬性 loss_ 已被棄用，將在 1.3 版本中移除。#23079 由 Christian Lorentzen 貢獻。

• API 變更 將 ensemble.RandomForestRegressor 的 max_features 預設值變更為 1.0，將 ensemble.RandomForestClassifier 的 max_features 預設值變更為 "sqrt"。請注意，這些變更會產生與之前相同的擬合結果，但更容易理解。舊的預設值 "auto" 已被棄用，將在 1.3 版本中移除。相同的變更也應用於 ensemble.ExtraTreesRegressor 和 ensemble.ExtraTreesClassifier。#20803 由 Brian Sun 貢獻。

• 效率 藉由跳過重複的輸入檢查，改善 ensemble.IsolationForest 的執行時間效能。#23149 由 Zhehao Liu 貢獻。

sklearn.feature_extraction

• 新功能 feature_extraction.FeatureHasher 現在支援 PyPy。#23023 由 Thomas Fan 貢獻。

• 修正 feature_extraction.FeatureHasher 現在於 transform 中驗證輸入參數，而不是在 __init__ 中驗證。#21573 由 Hannah Bohle 和 Maren Westermann 貢獻。

• 修正 feature_extraction.text.TfidfVectorizer 現在不會如 API 所要求的那樣在 __init__ 時建立 feature_extraction.text.TfidfTransformer 物件。#21832 由 Guillaume Lemaitre 貢獻。

sklearn.feature_selection

• 新功能 為 feature_selection.SequentialFeatureSelector 新增了自動模式。如果引數 n_features_to_select 為 'auto'，則會選取特徵，直到分數改善量不超過引數 tol 為止。n_features_to_select 的預設值在 1.1 版本中從 None 變更為 'warn'，並且將在 1.3 版本中變為 'auto'。None 和 'warn' 將在 1.3 版本中移除。#20145 由 murata-yu 貢獻。

• 新功能 新增將可呼叫物件傳遞至 feature_selection.SelectFromModel 的 max_features 參數的功能。此外，還引入了新屬性 max_features_，該屬性是從 max_features 推斷而來，並在 fit 期間從資料推斷而來。如果 max_features 是整數，則 max_features_ = max_features。如果 max_features 是可呼叫物件，則 max_features_ = max_features(X)。#22356 由 Meekail Zain 貢獻。

• 增強 feature_selection.GenericUnivariateSelect 保留 float32 資料類型。 #18482 由 Thierry Gameiro 和 Daniel Kharsa 以及 #22370 由 Meekail Zain 貢獻。

• 增強 為 feature_selection.f_regression 和 feature_selection.r_regression 新增參數 force_finite。此參數允許在特徵或目標為常數，或特徵和目標完全相關（僅適用於 F 統計量）的情況下，強制輸出為有限值。 #17819 由 Juan Carlos Alfaro Jiménez 貢獻。

• 效率 改善使用布林陣列時 feature_selection.chi2 的執行效能。 #22235 由 Thomas Fan 貢獻。

• 效率 減少 feature_selection.chi2 的記憶體使用量。 #21837 由 Louis Wagner 貢獻。

sklearn.gaussian_process

• 修正 gaussian_process.GaussianProcessRegressor 的 predict 和 sample_y 方法現在在單目標和多目標情況下，以及對於 normalize_y=False 和 normalize_y=True 兩種情況，都會回傳形狀正確的陣列。 #22199 由 Guillaume Lemaitre、Aidar Shakerimoff 和 Tenavi Nakamura-Zimmerer 貢獻。

• 修正 如果透過 kernel 傳遞 CompoundKernel，gaussian_process.GaussianProcessClassifier 會引發更具資訊性的錯誤。 #22223 由 MarcoM 貢獻。

sklearn.impute

• 增強 當訓練集中缺少任何觀測值而跳過特徵時，impute.SimpleImputer 現在會發出包含特徵名稱的警告。 #21617 由 Christian Ritter 貢獻。

• 增強 在 impute.SimpleImputer 中新增了對 pd.NA 的支援。 #21114 由 Ying Xiong 貢獻。

• 增強 為 impute.SimpleImputer、impute.KNNImputer、impute.IterativeImputer 和 impute.MissingIndicator 新增 get_feature_names_out。 #21078 由 Thomas Fan 貢獻。

• API 變更 impute.SimpleImputer 的 verbose 參數已棄用。移除空欄時將始終發出警告。 #21448 由 Oleh Kozynets 和 Christian Ritter 貢獻。

sklearn.inspection

• 功能 新增顯示來繪製分類器的邊界決策，方法是使用 inspection.DecisionBoundaryDisplay.from_estimator 方法。 #16061 由 Thomas Fan 貢獻。

• 增強 在 inspection.PartialDependenceDisplay.from_estimator 中，允許 kind 接受字串列表，以指定為每個特徵互動繪製哪種類型的圖。 #19438 由 Guillaume Lemaitre 貢獻。

• 增強 inspection.PartialDependenceDisplay.from_estimator、inspection.PartialDependenceDisplay.plot 和 inspection.plot_partial_dependence 現在支援繪製以參數 centered 控制的居中個別條件期望 (cICE) 和居中 PDP 曲線。 #18310 由 Johannes Elfner 和 Guillaume Lemaitre 貢獻。

sklearn.isotonic

• 增強 為 isotonic.IsotonicRegression 新增 get_feature_names_out。 #22249 由 Thomas Fan 貢獻。

sklearn.kernel_approximation

• 增強 為 get_feature_names_out 新增至 kernel_approximation.AdditiveChi2Sampler、kernel_approximation.Nystroem、kernel_approximation.PolynomialCountSketch、kernel_approximation.RBFSampler 和 kernel_approximation.SkewedChi2Sampler。#22137 和 #22694 由 Thomas Fan 貢獻。

sklearn.linear_model

• 功能 linear_model.ElasticNet、linear_model.ElasticNetCV、linear_model.Lasso 和 linear_model.LassoCV 支援稀疏輸入 X 的 sample_weight。#22808 由 Christian Lorentzen 貢獻。

• 功能 solver="lsqr" 的 linear_model.Ridge 現在支援使用 fit_intercept=True 擬合稀疏輸入。#22950 由 Christian Lorentzen 貢獻。

• 增強 linear_model.QuantileRegressor 支援基於 highs 求解器的稀疏輸入。#21086 由 Venkatachalam Natchiappan 貢獻。此外，這些求解器現在從一開始就使用 CSC 矩陣，這加快了擬合速度。#22206 由 Christian Lorentzen 貢獻。

• 增強 對於二元問題，特別是多類別問題，由於新的私有損失函數模組，solvers="lbfgs" 和 solver="newton-cg" 的 linear_model.LogisticRegression 速度更快。在多類別情況下，由於目標現在是標籤編碼（映射到整數）而不是標籤二值化（獨熱編碼），這些求解器的記憶體消耗也減少了。類別越多，好處越大。#21808、#20567 和 #21814 由 Christian Lorentzen 貢獻。

• 增強 solvers="lbfgs" 的 linear_model.GammaRegressor、linear_model.PoissonRegressor 和 linear_model.TweedieRegressor 速度更快。#22548、#21808 和 #20567 由 Christian Lorentzen 貢獻。

• 增強 在 linear_model.RANSACRegressor 中，將參數 base_estimator 重新命名為 estimator，以提高可讀性和一致性。base_estimator 已棄用，將在 1.3 版本中移除。#22062 由 Adrian Trujillo 貢獻。

• 增強 當產生非有限參數權重時，linear_model.ElasticNet 和其他使用座標下降的線性模型類別會顯示錯誤訊息。#22148 由 Christian Ritter 和 Norbert Preining 貢獻。

• 增強 當傳遞 l1_ratio、alpha、max_iter 和 tol 的無效值時，linear_model.ElasticNet 和 linear_model.Lasso 現在會引發一致的錯誤訊息。#22240 由 Arturo Amor 貢獻。

• 增強 linear_model.BayesianRidge 和 linear_model.ARDRegression 現在會保留 float32 dtype。#9087 由 Arthur Imbert 貢獻，以及 #22525 由 Meekail Zain 貢獻。

• 增強 linear_model.RidgeClassifier 現在支援多標籤分類。#19689 由 Guillaume Lemaitre 貢獻。

• 增強 當傳遞 alphas 的無效值時，linear_model.RidgeCV 和 linear_model.RidgeClassifierCV 現在會引發一致的錯誤訊息。#21606 由 Arturo Amor 貢獻。

• 增強 linear_model.Ridge 和 linear_model.RidgeClassifier 現在在傳遞 alpha、max_iter 和 tol 的無效值時，會產生一致的錯誤訊息。#21341 由 Arturo Amor 提供。

• 增強 linear_model.orthogonal_mp_gram 保留 numpy.float32 的 dtype。#22002 由 Takeshi Oura 提供。

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

• 修復 linear_model.TheilSenRegressor 現在在 fit 中驗證輸入參數 max_subpopulation，而不是在 __init__ 中。#21767 由 Maren Westermann 提供。

• 修復 linear_model.ElasticNetCV 現在在 l1_ratio=0 時會產生正確的警告。#21724 由 Yar Khine Phyo 提供。

• 修復 linear_model.LogisticRegression 和 linear_model.LogisticRegressionCV 現在會設定 n_iter_ 屬性，使其形狀符合文件字串，並且與在使用一對多設定中的其他求解器時獲得的形狀一致。先前，它只會記錄每個二元子問題的最大迭代次數，而現在會記錄所有迭代次數。#21998 由 Olivier Grisel 提供。

• 修復 linear_model.TweedieRegressor 的 family 屬性不再在 __init__ 中驗證。相反地，此（私有）屬性在 linear_model.GammaRegressor、linear_model.PoissonRegressor 和 linear_model.TweedieRegressor 中被棄用，並將在 1.3 版本中移除。#22548 由 Christian Lorentzen 提供。

• 修復 當輸入為稀疏時，在存在樣本權重的情況下，linear_model.LinearRegression 的 coef_ 和 intercept_ 屬性現在可以正確計算。#22891 由 Jérémie du Boisberranger 提供。

• 修復 當輸入為稀疏時，在存在樣本權重的情況下，solver="sparse_cg" 和 solver="lbfgs" 的 linear_model.Ridge 的 coef_ 和 intercept_ 屬性現在可以正確計算。#22899 由 Jérémie du Boisberranger 提供。

• 修復 當啟用提前停止時，linear_model.SGDRegressor 和 linear_model.SGDClassifier 現在可以正確計算驗證錯誤。#23256 由 Zhehao Liu 提供。

• API 變更 linear_model.LassoLarsIC 現在公開 noise_variance 作為參數，以便提供雜訊變異數的估計值。當 n_features > n_samples 且無法計算雜訊變異數的估計值時，此參數特別重要。#21481 由 Guillaume Lemaitre 提供。

sklearn.manifold

• 功能 manifold.Isomap 現在透過 radius 引數支援基於半徑的鄰居。#19794 由 Zhehao Liu 提供。

• 增強 manifold.spectral_embedding 和 manifold.SpectralEmbedding 支援 np.float32 dtype，並且將保留此 dtype。#21534 由 Andrew Knyazev 提供。

• 增強 將 get_feature_names_out 新增至 manifold.Isomap 和 manifold.LocallyLinearEmbedding。#22254 由 Thomas Fan 提供。

• 增強 將 metric_params 新增至 manifold.TSNE 建構函式，以便在最佳化中使用距離度量的其他參數。#21805 由 Jeanne Dionisi 提供，以及 #22685 由 Meekail Zain 提供。

• 增強 如果 n_neighbours >= n_samples / 2，manifold.trustworthiness 會引發錯誤，以確保該函數的正確支援。#18832 由 Hong Shao Yang 提供，以及 #23033 由 Meekail Zain 提供。

• 修復 manifold.spectral_embedding 現在在 eigen_solvers lobpcg 和 amg 中，對特徵向量使用高斯分佈而非先前在 [0, 1] 上均勻分佈的隨機初始近似值，以提高其數值穩定性。#21565 由 Andrew Knyazev 提供。

sklearn.metrics

• 新功能 metrics.r2_score 和 metrics.explained_variance_score 有一個新的 force_finite 參數。將此參數設定為 False 將會在完美預測或常數 y_true 的情況下，傳回實際的非有限分數，而不是目前預設傳回的有限近似值（分別為 1.0 和 0.0）。#17266 由 Sylvain Marié 提供。

• 新功能 metrics.d2_pinball_score 和 metrics.d2_absolute_error_score 分別計算 pinball 損失和絕對誤差的 \(D^2\) 回歸分數。metrics.d2_absolute_error_score 是 metrics.d2_pinball_score 的一個特例，它具有固定的分位數參數 alpha=0.5，以便於使用和發現。\(D^2\) 分數是 r2_score 的推廣，可以解釋為解釋的偏差的比例。#22118 由 Ohad Michel 提供。

• 增強 當 y_true 是二元的，且 y_score 是 2 維時，metrics.top_k_accuracy_score 會提出改進的錯誤訊息。#22284 由 Thomas Fan 提供。

• 增強 當 multiclass='ovr' 時，metrics.roc_auc_score 現在在多類別情況下支援 average=None，這將會傳回每個類別的分數。#19158 由 Nicki Skafte 提供。

• 增強 將 im_kw 參數新增到 metrics.ConfusionMatrixDisplay.from_estimator、metrics.ConfusionMatrixDisplay.from_predictions 和 metrics.ConfusionMatrixDisplay.plot。im_kw 參數會在繪製混淆矩陣時傳遞給 matplotlib.pyplot.imshow 呼叫。#20753 由 Thomas Fan 提供。

• 修正 metrics.silhouette_score 現在支援用於預先計算距離的整數輸入。#22108 由 Thomas Fan 提供。

• 修正 修正了 metrics.normalized_mutual_info_score 中的一個錯誤，該錯誤可能傳回無界的值。#22635 由 Jérémie du Boisberranger 提供。

• 修正 當真實標籤全部為負數時，修正了 metrics.precision_recall_curve 和 metrics.average_precision_score 的問題。#19085 由 Varun Agrawal 提供。

• API 變更 metrics.SCORERS 現在已棄用，將在 1.3 版本中移除。請使用 metrics.get_scorer_names 來檢索所有可用的評分器的名稱。#22866 由 Adrin Jalali 提供。

• API 變更 根據 SLEP009，metrics.mean_absolute_percentage_error 的參數 sample_weight 和 multioutput 現在是僅限關鍵字的參數。引入了棄用週期。#21576 由 Paul-Emile Dugnat 提供。

• API 變更 metrics.DistanceMetric 的 "wminkowski" 度量標準已棄用，將在 1.3 版本中移除。相反，現有的 "minkowski" 度量標準現在接受權重的可選 w 參數。此棄用旨在與 SciPy 1.8 的慣例保持一致。#21873 由 Yar Khine Phyo 提供。

• API 變更 metrics.DistanceMetric 已從 sklearn.neighbors 移至 sklearn.metrics。為了保持向後相容性，使用 neighbors.DistanceMetric 進行匯入仍然有效，但此別名將在 1.3 版本中移除。#21177 由 Julien Jerphanion 提供。

sklearn.mixture

• 增強 mixture.GaussianMixture 和 mixture.BayesianGaussianMixture 現在可以使用 k-means++ 和隨機資料點進行初始化。#20408 由 Gordon Walsh、Alberto Ceballos 和 Andres Rios 提供。

• 修正 修正了一個錯誤，該錯誤會在透過取其平方根時，在提供 precisions_init 時，正確初始化 mixture.GaussianMixture 中的 precisions_cholesky_。#22058 由 Guillaume Lemaitre 提供。

• 修正 mixture.GaussianMixture 現在會更安全地正規化 weights_，防止在呼叫 mixture.GaussianMixture.sample 與 n_components=1 時發生捨入誤差。#23034 由 Meekail Zain 提供。

sklearn.model_selection

• 增強 現在可以將 scoring="matthews_corrcoef" 傳遞給所有具有 scoring 引數的模型選擇工具，以使用馬修斯相關係數 (MCC)。#22203 由 Olivier Grisel 提供。

• 改進 當所有分割的擬合都失敗時，在交叉驗證期間引發錯誤。同樣地，當所有模型和所有分割的擬合都失敗時，在網格搜尋期間引發錯誤。 #21026 by Loïc Estève。

• 修正 model_selection.GridSearchCV, model_selection.HalvingGridSearchCV 現在在 fit 中而不是在 __init__ 中驗證輸入參數。 #21880 by Mrinal Tyagi。

• 修正 model_selection.learning_curve 現在支援使用迴歸器的 partial_fit。 #22982 by Thomas Fan。

sklearn.multiclass

• 改進 multiclass.OneVsRestClassifier 現在支援 verbose 參數，以便可以看到擬合的進度。 #22508 by Chris Combs。

• 修正 multiclass.OneVsOneClassifier.predict 當內部分類器只有 predict_proba 時，會回傳正確的預測。 #22604 by Thomas Fan。

sklearn.neighbors

• 改進 添加 get_feature_names_out 到 neighbors.RadiusNeighborsTransformer, neighbors.KNeighborsTransformer 和 neighbors.NeighborhoodComponentsAnalysis。 #22212 by Meekail Zain。

• 修正 neighbors.KernelDensity 現在在 fit 中而不是在 __init__ 中驗證輸入參數。 #21430 by Desislava Vasileva and Lucy Jimenez。

• 修正 當給定類陣列的輸入，如果 KNeighborsRegressor 首先用傳遞給 weights 參數的可呼叫對象建構時，neighbors.KNeighborsRegressor.predict 現在可以正常工作。 #22687 by Meekail Zain。

sklearn.neural_network

• 改進 當優化器產生非有限參數權重時，neural_network.MLPClassifier 和 neural_network.MLPRegressor 顯示錯誤訊息。 #22150 by Christian Ritter 和 Norbert Preining。

• 改進 添加 get_feature_names_out 到 neural_network.BernoulliRBM。 #22248 by Thomas Fan。

sklearn.pipeline

• 改進 在 pipeline.FeatureUnion 中添加了對「passthrough」的支援。 將轉換器設定為「passthrough」將會傳遞未變更的特徵。 #20860 by Shubhraneel Pal。

• 修正 pipeline.Pipeline 現在不在 __init__ 中，而是在 .fit() 中驗證超參數。 #21888 by iofall 和 Arisa Y.。

• 修正 pipeline.FeatureUnion 不在 __init__ 中驗證超參數。驗證現在在 .fit() 和 .fit_transform() 中處理。 #21954 by iofall 和 Arisa Y.。

• 修正 在 pipeline.FeatureUnion 中定義 __sklearn_is_fitted__，以使用 utils.validation.check_is_fitted 回傳正確的結果。 #22953 by randomgeek78。

sklearn.preprocessing

• 功能 preprocessing.OneHotEncoder 現在支援將不常出現的類別分組為單一特徵。透過指定如何使用 min_frequency 或 max_categories 來選擇不常出現的類別，可以啟用不常出現的類別分組。 #16018 by Thomas Fan。

• 改進 添加一個 subsample 參數到 preprocessing.KBinsDiscretizer。這允許指定在擬合模型時要使用的最大樣本數。此選項僅在 strategy 設定為 quantile 時可用。 #21445 by Felipe Bidu 和 Amanda Dsouza。

• 改進 添加 encoded_missing_value 到 preprocessing.OrdinalEncoder 以設定遺失資料的編碼值。 #21988 by Thomas Fan。

• 增強 在 preprocessing.FunctionTransformer 中新增了 get_feature_names_out 方法和新的參數 feature_names_out。您可以將 feature_names_out 設定為 ‘one-to-one’，以使用輸入特徵名稱作為輸出特徵名稱；或者您可以將其設定為一個可呼叫的函式，該函式會傳回輸出特徵名稱。當轉換器改變特徵數量時，這特別有用。如果 feature_names_out 為 None (預設值)，則不會定義 get_output_feature_names。 #21569 由 Aurélien Geron 貢獻。

• 增強 為 preprocessing.Normalizer、preprocessing.KernelCenterer、preprocessing.OrdinalEncoder 和 preprocessing.Binarizer 加入 get_feature_names_out 功能。 #21079 由 Thomas Fan 貢獻。

• 修復 使用 method='yeo-johnson' 的 preprocessing.PowerTransformer 在搜尋最佳 lambda 時，能更好地支援顯著的非高斯數據。 #20653 由 Thomas Fan 貢獻。

• 修復 preprocessing.LabelBinarizer 現在會在 fit 中而不是在 __init__ 中驗證輸入參數。 #21434 由 Krum Arnaudov 貢獻。

• 修復 當輸入具有混合的 dtype 時，使用 check_inverse=True 的 preprocessing.FunctionTransformer 現在會提供資訊豐富的錯誤訊息。 #19916 由 Zhehao Liu 貢獻。

• 修復 preprocessing.KBinsDiscretizer 現在能更一致地處理 bin 邊緣。 #14975 由 Andreas Müller 貢獻，以及 #22526 由 Meekail Zain 貢獻。

• 修復 當 encode="ordinal" 時，加入 preprocessing.KBinsDiscretizer.get_feature_names_out 的支援。 #22735 由 Thomas Fan 貢獻。

sklearn.random_projection

• 增強 為 random_projection.GaussianRandomProjection 和 random_projection.SparseRandomProjection 加入 inverse_transform 方法和 compute_inverse_transform 參數。當參數設定為 True 時，會在 fit 期間計算元件的偽逆矩陣，並儲存為 inverse_components_。 #21701 由 Aurélien Geron 貢獻。

• 增強 random_projection.SparseRandomProjection 和 random_projection.GaussianRandomProjection 會保留 numpy.float32 的 dtype。 #22114 由 Takeshi Oura 貢獻。

• 增強 為 sklearn.random_projection 模組中的所有轉換器加入 get_feature_names_out：random_projection.GaussianRandomProjection 和 random_projection.SparseRandomProjection。 #21330 由 Loïc Estève 貢獻。

sklearn.svm

• 增強 svm.OneClassSVM、svm.NuSVC、svm.NuSVR、svm.SVC 和 svm.SVR 現在會公開 n_iter_，即 libsvm 優化程序的迭代次數。 #21408 由 Juan Martín Loyola 貢獻。

• 增強 當對偶間隙估計產生非有限的參數權重時，svm.SVR、svm.SVC、svm.NuSVR、svm.OneClassSVM、svm.NuSVC 現在會引發錯誤。 #22149 由 Christian Ritter 和 Norbert Preining 貢獻。

• 修正 svm.NuSVC、 svm.NuSVR、 svm.SVC、 svm.SVR、 svm.OneClassSVM 現在會在 fit 中驗證輸入參數，而不是在 __init__ 中驗證。 #21436 by Haidar Almubarak。

sklearn.tree

• 增強 tree.DecisionTreeClassifier 和 tree.ExtraTreeClassifier 新增了 criterion="log_loss"，其等同於 criterion="entropy"。 #23047 by Christian Lorentzen。

• 修正 修正了 tree.DecisionTreeRegressor 中 Poisson 分裂準則的錯誤。 #22191 by Christian Lorentzen。

• API 變更 將 tree.ExtraTreeRegressor 的 max_features 預設值變更為 1.0，並將 tree.ExtraTreeClassifier 的預設值變更為 "sqrt"，這不會改變擬合結果。原始預設值 "auto" 已被棄用，並將在 1.3 版本中移除。對於 tree.DecisionTreeClassifier 和 tree.DecisionTreeRegressor，將 max_features 設定為 "auto" 也已被棄用。#22476 by Zhehao Liu。

sklearn.utils

• 增強 utils.check_array 和 utils.multiclass.type_of_target 現在接受 input_name 參數，以便在傳遞無效輸入資料（例如，包含 NaN 或無限值）時，錯誤訊息可以提供更多資訊。#21219 by Olivier Grisel。

• 增強 當傳遞包含 pd.NA 的 Float32 或 Float64 pandas 擴充陣列時，utils.check_array 會回傳帶有 np.nan 的浮點數 ndarray。#21278 by Thomas Fan。

• 增強 當在不信任的 jupyter notebook 中執行時，utils.estimator_html_repr 會顯示更實用的錯誤訊息。#21316 by Thomas Fan。

• 增強 utils.estimator_html_repr 會在 HTML 表示法的左上角顯示一個箭頭，以顯示如何點擊元素。#21298 by Thomas Fan。

• 增強 當傳遞具有混合資料類型 (dtypes) 的 pandas DataFrame 時，使用 dtype=None 的 utils.check_array 會回傳數值陣列。當 DataFrame 具有混合資料類型時，dtype="numeric" 也會更好地推斷資料類型。#22237 by Thomas Fan。

• 增強 utils.check_scalar 現在在顯示類型時具有更好的訊息。#22218 by Thomas Fan。

• 修正 變更當 y 為 None 時，由 utils.check_X_y 引發的 ValidationError 錯誤訊息，使其與 check_requires_y_none 估算器檢查相容。#22578 by Claudio Salvatore Arcidiacono。

• 修正 utils.class_weight.compute_class_weight 現在只要求 y 中的所有類別在 class_weight 中都有權重。當 y 中存在一個類別，但不在 class_weight 中時，仍然會引發錯誤。#22595 by Thomas Fan。

• 修正 utils.estimator_html_repr 對於巢狀後設估算器具有改進的可視化效果。#21310 by Thomas Fan。

• 修正 當 include_boundaries={"left", "right"} 且未設定邊界時，utils.check_scalar 會引發錯誤。#22027 by Marie Lanternier。

• 修正 utils.metaestimators.available_if 會正確地回傳可被封存的有界方法。#23077 by Thomas Fan。

• API 變更 utils.estimator_checks.check_estimator 的參數現在稱為 estimator（先前的名稱是 Estimator）。#22188 by Mathurin Massias。

• API 變更 utils.metaestimators.if_delegate_has_method 已被棄用，並將在 1.3 版本中移除。請改用 utils.metaestimators.available_if。#22830 by Jérémie du Boisberranger。

程式碼和文件貢獻者

感謝自 1.0 版本以來為維護和改進專案做出貢獻的所有人，包括

2357juan, Abhishek Gupta, adamgonzo, Adam Li, adijohar, Aditya Kumawat, Aditya Raghuwanshi, Aditya Singh, Adrian Trujillo Duron, Adrin Jalali, ahmadjubair33, AJ Druck, aj-white, Alan Peixinho, Alberto Mario Ceballos-Arroyo, Alek Lefebvre, Alex, Alexandr, Alexandre Gramfort, alexanmv, almeidayoel, Amanda Dsouza, Aman Sharma, Amar pratap singh, Amit, amrcode, András Simon, Andreas Grivas, Andreas Mueller, Andrew Knyazev, Andriy, Angus L’Herrou, Ankit Sharma, Anne Ducout, Arisa, Arth, arthurmello, Arturo Amor, ArturoAmor, Atharva Patil, aufarkari, Aurélien Geron, avm19, Ayan Bag, baam, Bardiya Ak, Behrouz B, Ben3940, Benjamin Bossan, Bharat Raghunathan, Bijil Subhash, bmreiniger, Brandon Truth, Brenden Kadota, Brian Sun, cdrig, Chalmer Lowe, Chiara Marmo, Chitteti Srinath Reddy, Chloe-Agathe Azencott, Christian Lorentzen, Christian Ritter, christopherlim98, Christoph T. Weidemann, Christos Aridas, Claudio Salvatore Arcidiacono, combscCode, Daniela Fernandes, darioka, Darren Nguyen, Dave Eargle, David Gilbertson, David Poznik, Dea María Léon, Dennis Osei, DessyVV, Dev514, Dimitri Papadopoulos Orfanos, Diwakar Gupta, Dr. Felix M. Riese, drskd, Emiko Sano, Emmanouil Gionanidis, EricEllwanger, Erich Schubert, Eric Larson, Eric Ndirangu, ErmolaevPA, Estefania Barreto-Ojeda, eyast, Fatima GASMI, Federico Luna, Felix Glushchenkov, fkaren27, Fortune Uwha, FPGAwesome, francoisgoupil, Frans Larsson, ftorres16, Gabor Berei, Gabor Kertesz, Gabriel Stefanini Vicente, Gabriel S Vicente, Gael Varoquaux, GAURAV CHOUDHARY, Gauthier I, genvalen, Geoffrey-Paris, Giancarlo Pablo, glennfrutiz, gpapadok, Guillaume Lemaitre, Guillermo Tomás Fernández Martín, Gustavo Oliveira, Haidar Almubarak, Hannah Bohle, Hansin Ahuja, Haoyin Xu, Haya, Helder Geovane Gomes de Lima, henrymooresc, Hideaki Imamura, Himanshu Kumar, Hind-M, hmasdev, hvassard, i-aki-y, iasoon, Inclusive Coding Bot, Ingela, iofall, Ishan Kumar, Jack Liu, Jake Cowton, jalexand3r, J Alexander, Jauhar, Jaya Surya Kommireddy, Jay Stanley, Jeff Hale, je-kr, JElfner, Jenny Vo, Jérémie du Boisberranger, Jihane, Jirka Borovec, Joel Nothman, Jon Haitz Legarreta Gorroño, Jordan Silke, Jorge Ciprián, Jorge Loayza, Joseph Chazalon, Joseph Schwartz-Messing, Jovan Stojanovic, JSchuerz, Juan Carlos Alfaro Jiménez, Juan Martin Loyola, Julien Jerphanion, katotten, Kaushik Roy Chowdhury, Ken4git, Kenneth Prabakaran, kernc, Kevin Doucet, KimAYoung, Koushik Joshi, Kranthi Sedamaki, krishna kumar, krumetoft, lesnee, Lisa Casino, Logan Thomas, Loic Esteve, Louis Wagner, LucieClair, Lucy Liu, Luiz Eduardo Amaral, Magali, MaggieChege, Mai, mandjevant, Mandy Gu, Manimaran, MarcoM, Marco Wurps, Maren Westermann, Maria Boerner, MarieS-WiMLDS, Martel Corentin, martin-kokos, mathurinm, Matías, matjansen, Matteo Francia, Maxwell, Meekail Zain, Megabyte, Mehrdad Moradizadeh, melemo2, Michael I Chen, michalkrawczyk, Micky774, milana2, millawell, Ming-Yang Ho, Mitzi, miwojc, Mizuki, mlant, Mohamed Haseeb, Mohit Sharma, Moonkyung94, mpoemsl, MrinalTyagi, Mr. Leu, msabatier, murata-yu, N, Nadirhan Şahin, Naipawat Poolsawat, NartayXD, nastegiano, nathansquan, nat-salt, Nicki Skafte Detlefsen, Nicolas Hug, Niket Jain, Nikhil Suresh, Nikita Titov, Nikolay Kondratyev, Ohad Michel, Oleksandr Husak, Olivier Grisel, partev, Patrick Ferreira, Paul, pelennor, PierreAttard, Piet Brömmel, Pieter Gijsbers, Pinky, poloso, Pramod Anantharam, puhuk, Purna Chandra Mansingh, QuadV, Rahil Parikh, Randall Boyes, randomgeek78, Raz Hoshia, Reshama Shaikh, Ricardo Ferreira, Richard Taylor, Rileran, Rishabh, Robin Thibaut, Rocco Meli, Roman Feldbauer, Roman Yurchak, Ross Barnowski, rsnegrin, Sachin Yadav, sakinaOuisrani, Sam Adam Day, Sanjay Marreddi, Sebastian Pujalte, SEELE, SELEE, Seyedsaman (Sam) Emami, ShanDeng123, Shao Yang Hong, sharmadharmpal, shaymerNaturalint, Shuangchi He, Shubhraneel Pal, siavrez, slishak, Smile, spikebh, sply88, Srinath Kailasa, Stéphane Collot, Sultan Orazbayev, Sumit Saha, Sven Eschlbeck, Sven Stehle, Swapnil Jha, Sylvain Marié, Takeshi Oura, Tamires Santana, Tenavi, teunpe, Theis Ferré Hjortkjær, Thiruvenkadam, Thomas J. Fan, t-jakubek, toastedyeast, Tom Dupré la Tour, Tom McTiernan, TONY GEORGE, Tyler Martin, Tyler Reddy, Udit Gupta, Ugo Marchand, Varun Agrawal, Venkatachalam N, Vera Komeyer, victoirelouis, Vikas Vishwakarma, Vikrant khedkar, Vladimir Chernyy, Vladimir Kim, WeijiaDu, Xiao Yuan, Yar Khine Phyo, Ying Xiong, yiyangq, Yosshi999, Yuki Koyama, Zach Deane-Mayer, Zeel B Patel, zempleni, zhenfisher, 赵丰 (Zhao Feng)