版本 1.6

關於此版本主要重點的簡短說明，請參考scikit-learn 1.6 的發佈重點。

變更日誌圖例

• 重大功能 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 之前未按照文件記錄或合理預期運作的功能，現在應該可以正常運作。

• API 變更 您將需要變更程式碼才能在未來產生相同的效果；或者某項功能將在未來被移除。

版本 1.6.0

2024 年 12 月

影響許多模組的變更

• 增強 引入了 __sklearn_tags__ 以在估算器中設定標籤。更多詳細資訊請參閱估算器標籤。由Thomas Fan 和Adrin Jalali #29677

• 增強 Scikit-learn 類別和函數可以在只有 import sklearn 匯入行的情況下使用。例如，import sklearn; sklearn.svm.SVC() 現在可以運作。由Thomas Fan #29793

• 修復 類別metrics.ConfusionMatrixDisplay、metrics.RocCurveDisplay、calibration.CalibrationDisplay、metrics.PrecisionRecallDisplay、metrics.PredictionErrorDisplay和inspection.PartialDependenceDisplay現在可以正確處理 Matplotlib 樣式參數的別名（例如，c 和 color，ls 和 linestyle 等）。由Joseph Barbier #30023

• API 變更 引入了 utils.validation.validate_data，並取代了之前私有的 base.BaseEstimator._validate_data 方法。這是為第三方估算器開發人員準備的，他們在大多數情況下應該使用此函數，而不是 utils.check_array 和 utils.check_X_y。由Adrin Jalali #29696

對 Array API 的支援

其他估算器和函數已更新，以包含對所有Array API 相容輸入的支援。

有關詳細資訊，請參閱Array API 支援（實驗性）。

• 功能 model_selection.GridSearchCV、model_selection.RandomizedSearchCV、model_selection.HalvingGridSearchCV 和 model_selection.HalvingRandomSearchCV 現在在其基本估算器支援時支援 Array API 相容的輸入。由Tim Head 和Olivier Grisel #27096

• 功能 sklearn.metrics.f1_score 現在支援 Array API 相容的輸入。由Omar Salman #27369

• 功能 preprocessing.LabelEncoder 現在支援 Array API 相容的輸入。由Omar Salman #27381

• 功能 sklearn.metrics.mean_absolute_error 現在支援 Array API 相容的輸入。由Edoardo Abati #27736

• 功能 sklearn.metrics.mean_tweedie_deviance 現在支援 Array API 相容的輸入。由Thomas Li #28106

• 功能 sklearn.metrics.pairwise.cosine_similarity 現在支援 Array API 相容的輸入。由Edoardo Abati #29014

• 功能 sklearn.metrics.pairwise.paired_cosine_distances 現在支援 Array API 相容的輸入。由Edoardo Abati #29112

• 功能 sklearn.metrics.cluster.entropy 現在支援 Array API 相容的輸入。由Yaroslav Korobko #29141

• 功能 sklearn.metrics.mean_squared_error 現在支援 Array API 相容的輸入。由Yaroslav Korobko #29142

• 功能 sklearn.metrics.pairwise.additive_chi2_kernel 現在支援 Array API 相容的輸入。由Yaroslav Korobko #29144

• 功能 sklearn.metrics.d2_tweedie_score 現在支援與 Array API 相容的輸入。由 Emily Chen 貢獻 #29207

• 功能 sklearn.metrics.max_error 現在支援與 Array API 相容的輸入。由 Edoardo Abati 貢獻 #29212

• 功能 sklearn.metrics.mean_poisson_deviance 現在支援與 Array API 相容的輸入。由 Emily Chen 貢獻 #29227

• 功能 sklearn.metrics.mean_gamma_deviance 現在支援與 Array API 相容的輸入。由 Emily Chen 貢獻 #29239

• 功能 sklearn.metrics.pairwise.cosine_distances 現在支援與 Array API 相容的輸入。由 Emily Chen 貢獻 #29265

• 功能 sklearn.metrics.pairwise.chi2_kernel 現在支援與 Array API 相容的輸入。由 Yaroslav Korobko 貢獻 #29267

• 功能 sklearn.metrics.mean_absolute_percentage_error 現在支援與 Array API 相容的輸入。由 Emily Chen 貢獻 #29300

• 功能 sklearn.metrics.pairwise.paired_euclidean_distances 現在支援與 Array API 相容的輸入。由 Emily Chen 貢獻 #29389

• 功能 sklearn.metrics.pairwise.euclidean_distances 和 sklearn.metrics.pairwise.rbf_kernel 現在支援與 Array API 相容的輸入。由 Omar Salman 貢獻 #29433

• 功能 sklearn.metrics.pairwise.linear_kernel、sklearn.metrics.pairwise.sigmoid_kernel 和 sklearn.metrics.pairwise.polynomial_kernel 現在支援與 Array API 相容的輸入。由 Omar Salman 貢獻 #29475

• 功能 sklearn.metrics.mean_squared_log_error 和 sklearn.metrics.root_mean_squared_log_error 現在支援與 Array API 相容的輸入。由 Virgil Chan 貢獻 #29709

• 功能 使用 clip=True 的 preprocessing.MinMaxScaler 現在支援與 Array API 相容的輸入。由 Shreekant Nandiyawar 貢獻 #29751

• 已移除對即將棄用的 cupy.array_api 模組的支援，改為直接支援頂層的 cupy 模組，可能會透過 array_api_compat.cupy 相容性包裝器。由 Olivier Grisel 貢獻 #29639

元數據路由

請參閱 元數據路由使用者指南 以取得更多詳細資訊。

• 功能 semi_supervised.SelfTrainingClassifier 現在支援元數據路由。fit 方法現在接受 **fit_params，這些參數會透過其 fit 方法傳遞給基礎的估計器。此外，predict、predict_proba、predict_log_proba、score 和 decision_function 方法也接受 **params，這些參數會透過它們各自的方法傳遞給基礎的估計器。由 Adam Li 貢獻 #28494

• 功能 ensemble.StackingClassifier 和 ensemble.StackingRegressor 現在支援元數據路由，並透過其 fit 方法將 **fit_params 傳遞給基礎的估計器。由 Stefanie Senger 貢獻 #28701

• 功能 model_selection.learning_curve 現在支援其估計器的 fit 方法，及其基礎的 CV 分割器和評分器的元數據路由。由 Stefanie Senger 貢獻 #28975

• 功能 compose.TransformedTargetRegressor 現在在其 fit 和 predict 方法中支援元數據路由，並將相應的參數路由到基礎的回歸器。由 Omar Salman 貢獻 #29136

• 功能 feature_selection.SequentialFeatureSelector 現在在其 fit 方法中支援元數據路由，並將相應的參數傳遞給 model_selection.cross_val_score 函數。由 Omar Salman 貢獻 #29260

• 功能 model_selection.permutation_test_score 現在支援其估計器的 fit 方法，及其基礎的 CV 分割器和評分器的元數據路由。由 Adam Li 貢獻 #29266

• 新功能 feature_selection.RFE 和 feature_selection.RFECV 現在支援元數據路由。作者：Omar Salman #29312

• 新功能 model_selection.validation_curve 現在支援其估計器的 fit 方法以及其底層 CV 分割器和評分器的元數據路由。作者：Stefanie Senger #29329

• 修正 元數據通過 linear_model.RidgeCV 和 linear_model.RidgeClassifierCV 正確路由到分組的 CV 分割器，並且使用預設評分的 linear_model.RidgeClassifierCV 的 UnsetMetadataPassedError 已修復。作者：Stefanie Senger #29634

• 修正 許多不應包含在路由機制中的方法參數現在已被排除，並且不會為它們生成 set_{method}_request 方法。作者：Adrin Jalali #29920

放棄對 PyPy 的官方支援

由於維護人員資源有限且用戶數量少，已放棄官方 PyPy 支援。scikit-learn 的某些部分可能仍然有效，但 scikit-learn 持續整合中不再測試 PyPy。作者：Loïc Estève #29128

放棄使用 setuptools 進行建置的支援

從 scikit-learn 1.6 開始，已移除使用 setuptools 進行建置的支援。Meson 是建置 scikit-learn 的唯一支援方式，請參閱 從原始碼建置 以取得更多詳細資訊。作者：Loïc Estève #29400

支援自由執行緒 CPython 3.13

scikit-learn 初步支援自由執行緒 CPython，特別是所有我們支援的平台都提供自由執行緒 wheels。

自由執行緒（也稱為 nogil）CPython 3.13 是 CPython 3.13 的實驗性版本，旨在通過移除全域直譯器鎖 (GIL) 來實現高效的多執行緒使用案例。

有關自由執行緒 CPython 的更多詳細資訊，請參閱 py-free-threading doc，特別是 如何安裝自由執行緒 CPython 和 生態系統相容性追蹤。

歡迎在您的使用案例中嘗試自由執行緒並報告任何問題！

作者：Loïc Estève 和更廣泛的科學 Python 和 CPython 生態系統中的許多其他人，例如 Nathan Goldbaum、Ralf Gommers、Edgar Andrés Margffoy Tuay。#30360

sklearn.base

• 增強功能 新增了一個函式 base.is_clusterer，用於判斷給定的估計器是否屬於叢集器類別。作者：Christian Veenhuis #28936

• API 變更 現在不建議將類別物件傳遞給 is_classifier、is_regressor 和 is_outlier_detector。請改為傳遞實例。作者：Adrin Jalali #30122

sklearn.calibration

• API 變更 不建議對 CalibratedClassifierCV 使用 cv="prefit"。請改用 FrozenEstimator，例如 CalibratedClassifierCV(FrozenEstimator(estimator))。作者：Adrin Jalali #30171

sklearn.cluster

• API 變更 cluster.Birch 的 copy 參數已在 1.6 中被棄用，並將在 1.8 中移除。由於估計器不會對輸入資料執行就地操作，因此它沒有任何作用。作者：Yao Xiao #29124

sklearn.compose

• 增強功能 sklearn.compose.ColumnTransformer 的 verbose_feature_names_out 現在接受字串格式或可呼叫物件來生成特徵名稱。作者：Marc Bresson #28934

sklearn.covariance

• 效率 covariance.MinCovDet 的擬合現在稍微快一些。作者：Antony Lee #29835

sklearn.cross_decomposition

• 修正 當 n_components 大於 n_samples 時，cross_decomposition.PLSRegression 會正確引發錯誤。作者：Thomas Fan #29710

sklearn.datasets

• 新功能 datasets.fetch_file 允許從網路上下載任意資料檔案。它會處理本機快取、使用 SHA256 摘要進行完整性檢查，以及在發生 HTTP 錯誤時自動重試。作者：Olivier Grisel #29354

sklearn.decomposition

• 增強 LatentDirichletAllocation 現在在 transform 和 fit_transform 方法中，新增了 normalize 參數，以控制文件主題分佈是否要進行正規化。由 Adrin Jalali #30097

• 修復 IncrementalPCA 現在只有在第一次呼叫 partial_fit 時，輸入資料的樣本數少於成分數量時，才會引發 ValueError。後續呼叫 partial_fit 不再受此限制。由 Thomas Gessey-Jones #30224

sklearn.discriminant_analysis

• 修復 discriminant_analysis.QuadraticDiscriminantAnalysis 現在在有共線性變數的情況下會引發 LinAlgWarning。這些錯誤可以使用 reg_param 屬性來靜音。由 Alihan Zihna #19731

sklearn.ensemble

• 功能 ensemble.ExtraTreesClassifier 和 ensemble.ExtraTreesRegressor 現在支援資料矩陣 X 中的缺失值。缺失值會透過在樹狀結構遍歷時，將所有樣本隨機移動到左側或右側子節點來處理。由 Adam Li #28268

• 效率 透過平行化初始的 bin 閾值搜尋，稍微改進了擬合 ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 的執行時間。由 Christian Lorentzen #28064

• 效率 ensemble.IsolationForest 現在在 predict 期間執行平行作業，在使用 joblib 的情況下，對於大於 2000 的樣本大小，速度最多可提升 2-4 倍。由 Adam Li 和 Sérgio Pereira #28622

• 增強 ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 的詳細程度控制更加精細。現在，verbose = 1 只會印出摘要訊息，verbose >= 2 則會像之前一樣印出完整資訊。由 Christian Lorentzen #28179

• API 變更 ensemble.AdaBoostClassifier 的參數 algorithm 已被棄用，將在 1.8 版中移除。由 Jérémie du Boisberranger #29997

sklearn.feature_extraction

• 修復 feature_extraction.text.TfidfVectorizer 現在會根據輸入資料正確保留 idf_ 的 dtype。由 Guillaume Lemaitre #30022

sklearn.frozen

• 主要功能 現在引入了 FrozenEstimator，允許凍結估計器。這表示對其呼叫 .fit 不會產生任何效果，並且執行 clone(frozenestimator) 會回傳相同的估計器，而不是未擬合的複本。 #29705 由 Adrin Jalali #29705

sklearn.impute

• 修復 impute.KNNImputer 在計算均勻權重的平均值時，會排除具有 NaN 距離的樣本。由 Xuefeng Xu #29135

• 修復 當 min_value 和 max_value 為類陣列，且由於 keep_empty_features=False 而捨棄了一些特徵時，impute.IterativeImputer 不再引發錯誤，現在會正確索引。由 Guntitat Sawadwuthikul #29451

• 修復 修復 impute.IterativeImputer，以確保當 keep_empty_features 設定為 True 時，不會跳過迭代過程。由 Arif Qodari #29779

• API 變更 當 keep_empty_feature=False 且 strategy="constant" 時，在 impute.SimpleImputer 中新增警告。在這種情況下，不會捨棄空特徵，此行為將在 1.8 版中變更。由 Arthur Courselle 和 Simon Riou #29950

sklearn.linear_model

• 增強 linear_model.LogisticRegression 和 linear_model.LogisticRegressionCV 中的 solver="newton-cholesky" 擴展了對多類別設定中完整多項式損失函數的支援。由 Christian Lorentzen #28840 提供

• 修正 在 linear_model.Ridge 和 linear_model.RidgeCV 中，在 fit 之後，coef_ 屬性的形狀現在與其他線性模型一樣為 (n_samples,)。由 Maxwell Liu, Guillaume Lemaitre, 和 Adrin Jalali 提供 #19746

• 修正 linear_model.LogisticRegressionCV 修正了計算測試分數時的樣本權重處理方式。由 Shruti Nath 提供 #29419

• 修正 linear_model.LassoCV 和 linear_model.ElasticNetCV 現在會考慮樣本權重來定義內部調整的 alpha 超參數的搜尋網格。由 John Hopfensperger 和 Shruti Nath 提供 #29442

• 修正 linear_model.LogisticRegression、linear_model.PoissonRegressor、linear_model.GammaRegressor、linear_model.TweedieRegressor 現在會考慮樣本權重，以決定何時在 solver='newton-cholesky' 在數值上變得不穩定時，回退到 solver='lbfgs'。由 Antoine Baker 提供 #29818

• 修正 linear_model.RidgeCV 現在會正確使用與 fit 期間看到的目標相同的尺度上的預測。當 scoring != None 時，這些預測會儲存在 cv_results_ 中。先前，預測會按樣本權重的平方根重新縮放，並偏移目標的平均值，導致分數的估計不正確。由 Guillaume Lemaitre、Jérôme Dockes 和 Hanmin Qin 提供 #29842

• 修正 linear_model.RidgeCV 現在透過讓評分器管理多輸出平均，正確支援自訂多輸出評分器。先前，預測和真實目標都會在計算誤差之前被壓縮成一維陣列。由 Guillaume Lemaitre 提供 #29884

• 修正 linear_model.LinearRegression 現在會在對密集輸入資料呼叫 scipy.linalg.lstsq 解算器時設定 cond 參數。這可確保在秩不足的資料上獲得更數值穩健的結果。特別是，它根據經驗修正了使用重新加權或重複資料點進行擬合之間的預期等效性質。由 Antoine Baker 提供 #30040

• 修正 linear_model.LogisticRegression 和其他接受 solver="newton-cholesky" 的線性模型現在會在由於 Hessian 矩陣秩不足而回退到 "lbfgs" 解算器時，回報正確的迭代次數。由 Olivier Grisel 提供 #30100

• 修正 SGDOneClassSVM 現在正確地繼承自 OutlierMixin，並且標籤已正確設定。由 Guillaume Lemaitre 提供 #30227

• API 變更 棄用 linear_model.TheilSenRegressor 中的 copy_X，因為該參數無效。copy_X 將在 1.8 版中移除。由 Adam Li 提供 #29105

sklearn.manifold

• 效率 manifold.locally_linear_embedding 和 manifold.LocallyLinearEmbedding 現在可以在 Hessian、Modified 和 LTSA 方法中更有效率地配置稀疏矩陣的記憶體。由 Giorgio Angelotti 提供 #28096

sklearn.metrics

• 效率 sklearn.metrics.classification_report 現在透過快取分類標籤來加速執行。由 Adrin Jalali 提供 #29738

• 增強 metrics.RocCurveDisplay.from_estimator、metrics.RocCurveDisplay.from_predictions、metrics.PrecisionRecallDisplay.from_estimator 和 metrics.PrecisionRecallDisplay.from_predictions 現在接受新的關鍵字 despine，以移除繪圖的頂部和右側邊框，使其更清晰。由 Yao Xiao 提供 #26367

• 增強 sklearn.metrics.check_scoring 現在接受 raise_exc，以指定是否在多指標評分中的一部分評分器失敗時引發例外，或傳回錯誤代碼。由 Stefanie Senger 提供 #28992

• 修正 如果標籤中只有一個類別存在，metrics.roc_auc_score 現在會正確傳回 np.nan 並警告使用者。由 Gleb Levitski 和 Janez Demšar 提供 #27412, #30013

• 修正 函數 metrics.mean_squared_log_error 和 metrics.root_mean_squared_log_error 現在會檢查輸入值是否在函數 \(y=\log(1+x)\) 的正確定義域內，而不是 \(y=\log(x)\)。 函數 metrics.mean_absolute_error、metrics.mean_absolute_percentage_error、metrics.mean_squared_error 和 metrics.root_mean_squared_error 現在會明確檢查當 multioutput=uniform_average 時是否會回傳一個純量值。由 Virgil Chan 提供 #29709

• API 變更 函數 metrics.pairwise.check_pairwise_arrays 和 metrics.pairwise_distances 的 assert_all_finite 參數已重新命名為 ensure_all_finite。force_all_finite 將在 1.8 版本中移除。由 Jérémie du Boisberranger 提供 #29404

• API 變更 應使用 scoring="neg_max_error" 取代已被棄用的 scoring="max_error"。由 Farid “Freddie” Taba 提供 #29462

• API 變更 metrics.make_scorer 的 response_method 參數預設值將從 None 變更為 "predict"，並且 None 將在 1.8 版本中移除。在此期間，None 等同於 "predict"。由 Jérémie du Boisberranger 提供 #30001

sklearn.model_selection

• 增強 當 shuffle=True 時，GroupKFold 現在具有將群組洗牌到不同折疊中的能力。由 Zachary Vealey 提供 #28519

• 增強 如果底層的估計器已經擬合，則無需在 FixedThresholdClassifier 上呼叫 fit。由 Adrin Jalali 提供 #30172

• 修正 當在沒有 y 引數的情況下呼叫 model_selection.RepeatedStratifiedKFold.split 時，改進錯誤訊息。由 Anurag Varma 提供 #29402

sklearn.neighbors

• 增強 neighbors.NearestNeighbors、neighbors.KNeighborsClassifier、neighbors.KNeighborsRegressor、neighbors.RadiusNeighborsClassifier、neighbors.RadiusNeighborsRegressor、neighbors.KNeighborsTransformer、neighbors.RadiusNeighborsTransformer 和 neighbors.LocalOutlierFactor 現在可以使用 metric="nan_euclidean"，支援 nan 輸入。由 Carlo Lemos、Guillaume Lemaitre 和 Adrin Jalali 提供 #25330

• 增強 將 neighbors.NearestCentroid.decision_function、neighbors.NearestCentroid.predict_proba 和 neighbors.NearestCentroid.predict_log_proba 新增至 neighbors.NearestCentroid 估計器類別。支援在 neighbors.NearestCentroid 中當 X 是稀疏矩陣且 shrinking_threshold 不是 None 的情況。由 Matthew Ning 提供 #26689

• 增強 使 neighbors.KNeighborsClassifier 和 neighbors.RadiusNeighborsClassifier 的 predict、predict_proba 和 score 接受 X=None 作為輸入。在此情況下，會回傳所有訓練集點的預測結果，並且這些點不會被包含在它們自己的鄰居中。由 Dmitry Kobak 提供 #30047

• 修正 當訓練資料中存在重複值導致不精確的離群值檢測時，neighbors.LocalOutlierFactor 會在 fit 方法中發出警告。由 Henrique Caroço 提供 #28773

sklearn.neural_network

• 修正 當模型發散並且啟用 early_stopping 時，neural_network.MLPRegressor 不再崩潰。由 Marc Bresson 提供 #29773

sklearn.pipeline

• 主要功能 pipeline.Pipeline 現在可以轉換中繼資料，直到需要該中繼資料的步驟，這可以使用 transform_input 參數進行設定。由 Adrin Jalali #28901 提供

• 增強 pipeline.Pipeline 現在在呼叫需要 pipeline 擬合的方法之前，會發出尚未擬合的警告。此警告將在 1.8 版本中成為錯誤。由 Adrin Jalali #29868 提供

• 修正 修正了當 pipeline 為空時，Pipeline 的標籤和估算器類型的問題。這允許正確呈現空 pipeline 的 HTML 表示。由 Gennaro Daniele Acciaro #30203 提供

sklearn.preprocessing

• 增強 在 preprocessing.OneHotEncoder 中，為 handle_unknown 參數新增了 warn 選項。由 Gleb Levitski #28637 提供

• 增強 preprocessing.FunctionTransformer 的 HTML 表示將在標籤中顯示函數名稱。由 Yao Xiao #29158 提供

• 修正 如果 BoxCox 的逆函式的輸入無效，preprocessing.PowerTransformer 現在會使用 scipy.special.inv_boxcox 輸出 nan。由 Xuefeng Xu #27875 提供

sklearn.semi_supervised

• API 變更 semi_supervised.SelfTrainingClassifier 已棄用 base_estimator 參數，改用 estimator。由 Adam Li #28494 提供

sklearn.tree

• 功能 tree.ExtraTreeClassifier 和 tree.ExtraTreeRegressor 現在支援資料矩陣 X 中的缺失值。當樹狀結構遍歷時，缺失值會透過隨機將所有樣本移動到左或右子節點來處理。由 Adam Li 和 Loïc Estève #27966, #30318 提供

• 修正 將樹狀結構匯出為 Graphviz 格式時，為標籤和特徵名稱逸出雙引號。由 Santiago M. Mola 提供。 #17575

sklearn.utils

• 增強 utils.check_array 現在接受 ensure_non_negative 來檢查傳遞的陣列中是否有負值，直到現在只能透過呼叫 utils.check_non_negative 來使用。由 Tamara Atanasoska #29540 提供

• 增強 check_estimator 和 parametrize_with_checks 現在會檢查並在分類器具有 tags.classifier_tags.multi_class = False 標籤但未在多類別資料上失敗時失敗。由 Adrin Jalali #29874 提供

• 增強 utils.validation.check_is_fitted 現在會傳遞無狀態的估算器。估算器可以透過設定 requires_fit 標籤來指示它是無狀態的。請參閱 估算器標籤 以獲取更多資訊。由 Adrin Jalali #29880 提供

• 增強 對 check_estimator 和 parametrize_with_checks 的變更。

  • check_estimator 引入了新的引數：on_skip、on_fail 和 callback 來控制檢查執行器的行為。請參閱 API 文件以獲取更多詳細資訊。

  • generate_only=True 在 check_estimator 中已棄用。請改用 estimator_checks_generator。

  • 現在已移除 _xfail_checks 估算器標籤，現在為了指示哪些測試預期會失敗，您可以將字典傳遞給 check_estimator 作為 expected_failed_checks 參數。同樣，可以使用 parametrize_with_checks 中的 expected_failed_checks 參數，它是一個可呼叫的函式，會傳回以下形式的字典

    {
        "check_name": "reason to mark this check as xfail",
    }
    

  由 Adrin Jalali #30149 提供

• 修正 utils.estimator_checks.parametrize_with_checks 和 utils.estimator_checks.check_estimator 現在支援已在其上呼叫 set_output 的估算器。由 Adrin Jalali #29869 提供

• API 變更 函式 utils.check_array、utils.check_X_y、utils.as_float_array 的 assert_all_finite 參數已重新命名為 ensure_all_finite。force_all_finite 將在 1.8 版中移除。由 Jérémie du Boisberranger 提供 #29404

• API 變更 utils.estimator_checks.check_sample_weights_invariance 已被 utils.estimator_checks.check_sample_weight_equivalence_on_dense_data 取代，後者使用整數（包含零）權重；以及 utils.estimator_checks.check_sample_weight_equivalence_on_sparse_data，後者在稀疏資料上執行相同的操作。由 Antoine Baker 提供 #29818, #30137

• API 變更 使用 _estimator_type 來設定估計器類型已棄用。請改為繼承自 ClassifierMixin、RegressorMixin、TransformerMixin 或 OutlierMixin。或者，您可以在 Tags 的 __sklearn_tags__ 方法中設定 estimator_type。由 Adrin Jalali 提供 #30122

程式碼和文件貢獻者

感謝自 1.5 版本以來為維護和改進專案做出貢獻的所有人，包括

Aaron Schumacher, Abdulaziz Aloqeely, abhi-jha, Acciaro Gennaro Daniele, Adam J. Stewart, Adam Li, Adeel Hassan, Adeyemi Biola, Aditi Juneja, Adrin Jalali, Aisha, Akanksha Mhadolkar, Akihiro Kuno, Alberto Torres, alexqiao, Alihan Zihna, antoinebaker, Antony Lee, Anurag Varma, Arif Qodari, Arthur Courselle, Arturo Amor, Aswathavicky, Audrey Flanders, aurelienmorgan, Austin, awwwyan, AyGeeEm, a.zy.lee, baggiponte, BlazeStorm001, bme-git, brdav, Brigitta Sipőcz, Cailean Carter, Carlo Lemos, Christian Lorentzen, Christian Veenhuis, claudio, Conrad Stevens, datarollhexasphericon, Davide Chicco, David Matthew Cherney, Dea María Léon, Deepak Saldanha, Deepyaman Datta, dependabot[bot], dinga92, Dmitry Kobak, Drew Craeton, dymil, Edoardo Abati, EmilyXinyi, Eric Larson, Evelyn, fabianhenning, Farid “Freddie” Taba, Gael Varoquaux, Giorgio Angelotti, Gleb Levitski, Guillaume Lemaitre, Guntitat Sawadwuthikul, Henrique Caroço, hhchen1105, Ilya Komarov, Inessa Pawson, Ivan Pan, Ivan Wiryadi, Jaimin Chauhan, Jakob Bull, James Lamb, Janez Demšar, Jérémie du Boisberranger, Jérôme Dockès, Jirair Aroyan, João Morais, Joe Cainey, John Enblom, JorgeCardenas, Joseph Barbier, jpienaar-tuks, Julian Chan, K.Bharat Reddy, Kevin Doshi, Lars, Loic Esteve, Lucy Liu, lunovian, Marc Bresson, Marco Edward Gorelli, Marco Maggi, Marco Wolsza, Maren Westermann, MarieS-WiMLDS, Martin Helm, Mathew Shen, mathurinm, Matthew Feickert, Maxwell Liu, Meekail Zain, Michael Dawson, Miguel Cárdenas, m-maggi, mrastgoo, Natalia Mokeeva, Nathan Goldbaum, Nathan Orgera, nbrown-ScottLogic, Nikita Chistyakov, Nithish Bolleddula, Noam Keidar, NoPenguinsLand, Norbert Preining, notPlancha, Olivier Grisel, Omar Salman, ParsifalXu, Piotr, Priyank Shroff, Priyansh Gupta, Quentin Barthélemy, Rachit23110261, Rahil Parikh, raisadz, Rajath, renaissance0ne, Reshama Shaikh, Roberto Rosati, Robert Pollak, rwelsch427, Santiago M. Mola, scikit-learn-bot, sean moiselle, SHREEKANT VITTHAL NANDIYAWAR, Shruti Nath, Søren Bredlund Caspersen, Stefanie Senger, Steffen Schneider, Štěpán Sršeň, Sylvain Combettes, Tamara, Thomas, Thomas Gessey-Jones, Thomas J. Fan, Thomas Li, Tialo, Tim Head, Tuhin Sharma, Tushar Parimi, vedpawar2254, Victoria Shevchenko, viktor765, Vince Carey, Virgil Chan, Wang Jiayi, Xiao Yuan, Xuefeng Xu, Yao Xiao, yareyaredesuyo, Zachary Vealey, Ziad Amerr