1 簡介

就在幾天前，著名的機(jī)器學(xué)習(xí)框架scikit-learn在pypi上釋放了其1.0rc1版本，這里給大家科普一下，版本號中的rc是Release Candidate的簡稱，代表當(dāng)前的版本是一個候選發(fā)布版本，一旦到了這個階段，scikit-learn對于1.0版本的開發(fā)設(shè)計就基本上不會再新增功能，而是全力投入到查缺補漏的測試中去也就意味著：

?

經(jīng)歷了十余年的開發(fā)進(jìn)程，scikit-learn即將迎來其頗具里程碑意義的一次大版本發(fā)布！

?

在這次大版本更新中，scikit-learn也很有誠意地帶來了諸多新特性，下面我們就來對其中一些關(guān)鍵性的內(nèi)容進(jìn)行簡單的介紹。

2 scikit-learn 1.0 版本重要特性一覽

2.1 強制要求使用關(guān)鍵詞參數(shù)傳參

按照scikit-learn官方的說法，為了更加清楚明確地構(gòu)建機(jī)器學(xué)習(xí)代碼，在之后的版本中，絕大部分API都將逐漸轉(zhuǎn)換為強制使用「關(guān)鍵詞參數(shù)」，使用「位置參數(shù)」則會直接拋出TypeError錯誤，以SVC為例：

2.2 新增r_regression()

在新版本中新增了sklearn.feature_selection.r_regression()，可以用來快速計算各個自變量與因變量之間的皮爾遜簡單相關(guān)系數(shù)來輔助特征工程過程。

2.3 新增線性分位數(shù)回歸模型QuantileRegressor()

新版本中在sklearn.linear_model下添加了線性分位數(shù)回歸模型QuantileRegressor()，可用于構(gòu)建回歸模型由自變量求出因變量的條件分位數(shù)，近年來在計量經(jīng)濟(jì)學(xué)中應(yīng)用廣泛。

2.4 新增基于隨機(jī)梯度下降的OneClassSvm模型

在sklearn.linear_model中新增了基于隨機(jī)梯度下降法的異常檢測模型SGDOneClassSVM()：

2.5 帶交叉驗證的Lasso回歸與ElasticNet新增sample_weight參數(shù)

為sklearn.linear_model中的LassoCV()與ElasticNetCV()新增參數(shù)sample_weight，可幫助我們在模型建立的過程中通過構(gòu)建權(quán)重提升部分樣本的重要性。

2.6 為分位數(shù)回歸模型新增模型性能度量指標(biāo)

伴隨著新的分位數(shù)回歸模型，scikit-learn也順勢新增了專門用于度量分位數(shù)回歸模型性能的Pinball loss系數(shù)：

2.7 模型選擇新增StratifiedGroupKFold()

新版中將sklearn.model_selection中常用的StratifiedKFold()與GroupKFold()進(jìn)行結(jié)合，使得我們可以快速構(gòu)建分層分組K折交叉驗證流程，詳情參考：https://scikit-learn.org/dev/modules/generated/sklearn.model_selection.StratifiedGroupKFold.html#sklearn.model_selection.StratifiedGroupKFold

2.8 KMeans聚類中的k-means++初始化方法運算速度提升

新版本中cklearn.cluster中常用的KMeans()與MiniBatchKMeans()聚類模型，在默認(rèn)的k-means++簇心初始化方法下運算速度獲得大幅度提高，尤其是在多核機(jī)器上表現(xiàn)更佳。

2.9 多項式&交互項特征生成速度提升

新版本中sklearn.preprocessing中用于快速合成多項式&交互項特征的PolynomialFeatures()的運算速度更快了，且在輸入為大型稀疏特征時效果更為明顯。

2.10 np.matrix型輸入即將棄用

從1.0版本開始，scikit-learn中的各種算法模型在接受numpy中的matrix類型輸入時，會打印「棄用警告」，且從未來的1.2版本開始，當(dāng)用戶輸入np.matrix類型時將會直接報錯：

2.11 利用feature_names_in_獲取pandas數(shù)據(jù)框輸入下的特征名稱

當(dāng)輸入的特征為pandas中的DataFrame類型時，對于訓(xùn)練好的模型，可以使用feature_names_in_屬性獲取到對應(yīng)輸入特征的字段名稱：

2.12 繪制局部依賴圖的方式變化

在我們試圖對模型進(jìn)行解釋時，局部依賴圖是一個比較經(jīng)典的工具，在以前的版本中我們可以使用sklearn.inspection中的plot_partial_dependence()來繪制局部依賴圖，而在新版本中將會棄用這種方式，并且在1.2版本開始正式移除這個API，新的替代方案是使用sklearn.inspection.PartialDependenceDisplay的from_estimator()：

除了這些之外，在scikit-learn新版本中還有眾多的細(xì)碎的更新與調(diào)整內(nèi)容，感興趣的朋友可以前往https://scikit-learn.org/dev/whats_new/v1.0.html自行瀏覽學(xué)習(xí)。

---

以上就是本文的全部內(nèi)容，歡迎在評論區(qū)與我進(jìn)行討論。

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊深度學(xué)習(xí)筆記專輯《統(tǒng)計學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯黃海廣老師《機(jī)器學(xué)習(xí)課程》視頻課 本站qq群851320808，加入微信群請掃碼：

總結(jié)

以上是生活随笔為你收集整理的【机器学习】scikit-learn 1.0 版本重要新特性一览的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。