Scikit-learn，Python 机器学习领域的重要开源库，继续随着6月5日发布的1.7版本而演进。此更新强化了易用性、与其他工具的兼容性以及机器学习工作流程的效率。
改进与新功能
增强的HTML估计器可视化
Jupyter中的HTML表示现在显示完整的参数列表，并突出显示与默认值不同的参数。一个按钮简化了完全限定名称的复制，加速了嵌套流水线的配置和超参数的搜索。
基于直方图的梯度提升自定义验证
HistGradientBoosting模型现在可以通过
.fit()方法接收显式验证集(X_val, y_val, sample_weight_val)，以更好地调整提前停止。这项能力完善了过拟合的管理，但依赖于尚未广泛使用的元数据路由系统(enable_metadata_routing=True )。从交叉验证结果生成的原生ROC可视化
新的
from_cv_results()方法用于RocCurveDisplay，可以从交叉验证结果(cross_validate)自动生成多条ROC曲线。此功能简化了模型的比较分析，并将视觉诊断直接整合到机器学习工作流程中，无需第三方工具。扩展的Array API兼容性
多种指标（例如，
fbeta_score, explained_variance_score）现在接受兼容Array API的数据结构（尤其是来自PyTorch或CuPy的）。模块array-api-compat被本地集成。多层感知机的更新
多层感知机现在集成了泊松损失，除了默认的平方误差损失外。它还支持样本权重，提高了其在各种应用中的灵活性。
迁移到稀疏数组
所有接受经典稀疏矩阵输入的估计器(
scipy.sparse)，现在接受新的稀疏数组(sparray)，为SciPy的过渡做好准备。安装
新版本可以通过pip安装：pip install --upgrade scikit-learn
或使用conda：conda install -c conda-forge scikit-learn