У короткому : Scikit-learn 1.7 покращує візуалізацію, сумісність з Array API та додає нові функції для покращення робочих процесів ML.
Scikit-learn, обов'язкова бібліотека з відкритим кодом для ML у Python, продовжує розвиватися з версією 1.7, випущеною 5 червня. Це оновлення покращує ергономіку, сумісність з іншими інструментами та ефективність робочих процесів машинного навчання.
Покращення та нові функції
Покращена HTML-візуалізація оцінювачів
HTML-представлення у Jupyter тепер відображає повний список параметрів з виділенням тих, що відрізняються від значень за замовчуванням. Кнопка полегшує копіювання повних імен, прискорюючи налаштування вкладених конвеєрів та пошук гіперпараметрів.
Персоналізована валідація для Gradient Boosting на основі гістограм
Моделі HistGradientBoosting тепер можуть отримувати явний набір валідації (
X_val, y_val, sample_weight_val) через метод .fit() для кращої калібровки передчасного зупинення. Ця здатність покращує управління перенавчанням, але залежить від системи маршрутизації метаданих (enable_metadata_routing=True ), яка ще мало використовується.Нативна візуалізація ROC з результатів перехресної перевірки
Новий метод
from_cv_results() для RocCurveDisplay дозволяє автоматично генерувати декілька кривих ROC з результатів перехресної перевірки (cross_validate). Ця функція спрощує порівняльний аналіз моделей та безпосередньо інтегрує візуальну діагностику у робочі процеси машинного навчання, без необхідності сторонніх інструментів.Розширена сумісність з API Array
Кілька метрик (наприклад,
fbeta_score, explained_variance_score) тепер приймають структури даних, сумісні з Array API (зокрема, отримані з PyTorch або CuPy). Модуль array-api-compat інтегрований нативно.Оновлення багатошарового перцептрону
Багатошаровий перцептрон тепер інтегрує втрату Пуассона, на додаток до втрати squared_error за замовчуванням. Він також підтримує ваги зразків, покращуючи свою гнучкість для різних застосувань.
Міграція до розріджених таблиць
Усі оцінювачі, які приймають на вхід класичні розріджені матриці (
scipy.sparse), тепер приймають нові розріджені таблиці (sparray), готуючи перехід, що триває у SciPy.Інсталяція
Нову версію можна встановити через pip : pip install --upgrade scikit-learn
або за допомогою conda : conda install -c conda-forge scikit-learn