版本1.6

有关该版本主要亮点的简短描述，请参阅 scikit-learn 1.6的发布亮点 .

换象传说

• Major Feature 一些你以前做不到的大事。

• Feature 一些你以前做不到的事情。

• Efficiency 现有功能现在可能不需要那么多的计算或内存。

• Enhancement 一个杂七杂八的小改进。

• Fix 以前没有按照记录或合理预期发挥作用的事情现在应该起作用了。

• API Change 您需要更改您的代码才能在将来产生相同的效果;或者将来将删除某个功能。

版本1.6.1

January 2025

更改型号

• Fix 的 tags.input_tags.sparse 大多数估计者的标志已被纠正。通过 Antoine Baker #30187

影响多个模块的变更

• Fix _more_tags, _ get_tags '，并且  `_safe_tags 现在正在筹集 DeprecationWarning 而不是 FutureWarning 仅通知开发人员而不是最终用户。通过 Guillaume Lemaitre 在 #30573

sklearn.metrics

• Fix 修复在PyTorch CPU张量上调用scikit-learn度量时会引发错误的回归（默认情况下禁用数组API调度）。通过 Loïc Estève #30454

sklearn.model_selection

• Fix cross_validate , cross_val_predict ，而且 cross_val_score 现在接受 params=None when metadata routing is enabled. By Adrin Jalali #30451

sklearn.tree

• Fix 使用 log2 instead of ln for building trees to maintain behavior of previous versions. By Thomas Fan #30557

sklearn.utils

• Enhancement utils.estimator_checks.check_estimator_sparse_tag 确保估计器标签 input_tags.sparse 符合其 fit 方法（接受稀疏输入 X 或提出适当的错误）。通过 Antoine Baker #30187

• Fix 养 DeprecationWarning when there is no concrete implementation of _ _sklearn_tags__'在估计器的MRO中。我们请求继承  `BaseEstimator that implements _ _sklearn_tags__'。通过  :user:`Guillaume Lemaitre <glemaitre> #30516

版本1.6.0

December 2024

影响多个模块的变更

• Enhancement __sklearn_tags__ 用于在估计器中设置标记。更详细 估计标签 .通过 Thomas Fan 和 Adrin Jalali #29677

• Enhancement Scikit-learn类和功能只能在拥有 import sklearn 导入行。例如， import sklearn; sklearn.svm.SVC() 现在起作用了。通过 Thomas Fan #29793

• Fix 类 metrics.ConfusionMatrixDisplay , metrics.RocCurveDisplay , calibration.CalibrationDisplay , metrics.PrecisionRecallDisplay , metrics.PredictionErrorDisplay 和 inspection.PartialDependenceDisplay 现在正确处理样式参数的Matplotlib别名（例如， c 和 color , ls 和 linestyle 等）。通过 Joseph Barbier #30023

• API Change utils.validation.validate_data 引入并取代以前的私有 base.BaseEstimator._validate_data 法这是针对第三方估计器开发人员的，他们在大多数情况下应该使用此功能，而不是 utils.check_array 和 utils.check_X_y .通过 Adrin Jalali #29696

支持数组API

其他估计器和功能已更新，以包括对所有人的支持 Array API 合规的输入。

看到 数组API支持（实验性） 了解更多详细信息。

• Feature model_selection.GridSearchCV , model_selection.RandomizedSearchCV , model_selection.HalvingGridSearchCV 和 model_selection.HalvingRandomSearchCV 现在，当基本估计器支持数组API兼容的输入时，支持数组API兼容的输入。通过 Tim Head 和 Olivier Grisel #27096

• Feature sklearn.metrics.f1_score 现在支持数组API兼容的输入。通过 Omar Salman #27369

• Feature preprocessing.LabelEncoder 现在支持数组API兼容的输入。通过 Omar Salman #27381

• Feature sklearn.metrics.mean_absolute_error 现在支持数组API兼容的输入。通过 Edoardo Abati #27736

• Feature sklearn.metrics.mean_tweedie_deviance 现在支持数组API兼容的输入。通过 Thomas Li #28106

• Feature sklearn.metrics.pairwise.cosine_similarity 现在支持数组API兼容的输入。通过 Edoardo Abati #29014

• Feature sklearn.metrics.pairwise.paired_cosine_distances 现在支持数组API兼容的输入。通过 Edoardo Abati #29112

• Feature sklearn.metrics.cluster.entropy 现在支持数组API兼容的输入。通过 Yaroslav Korobko #29141

• Feature sklearn.metrics.mean_squared_error 现在支持数组API兼容的输入。通过 Yaroslav Korobko #29142

• Feature sklearn.metrics.pairwise.additive_chi2_kernel 现在支持数组API兼容的输入。通过 Yaroslav Korobko #29144

• Feature sklearn.metrics.d2_tweedie_score 现在支持数组API兼容的输入。通过 Emily Chen #29207

• Feature sklearn.metrics.max_error 现在支持数组API兼容的输入。通过 Edoardo Abati #29212

• Feature sklearn.metrics.mean_poisson_deviance 现在支持数组API兼容的输入。通过 Emily Chen #29227

• Feature sklearn.metrics.mean_gamma_deviance 现在支持数组API兼容的输入。通过 Emily Chen #29239

• Feature sklearn.metrics.pairwise.cosine_distances 现在支持数组API兼容的输入。通过 Emily Chen #29265

• Feature sklearn.metrics.pairwise.chi2_kernel 现在支持数组API兼容的输入。通过 Yaroslav Korobko #29267

• Feature sklearn.metrics.mean_absolute_percentage_error 现在支持数组API兼容的输入。通过 Emily Chen #29300

• Feature sklearn.metrics.pairwise.paired_euclidean_distances 现在支持数组API兼容的输入。通过 Emily Chen #29389

• Feature sklearn.metrics.pairwise.euclidean_distances 和 sklearn.metrics.pairwise.rbf_kernel 现在支持Array API兼容输入。通过 Omar Salman #29433

• Feature sklearn.metrics.pairwise.linear_kernel , sklearn.metrics.pairwise.sigmoid_kernel ，而且 sklearn.metrics.pairwise.polynomial_kernel 现在支持Array API兼容输入。通过 Omar Salman #29475

• Feature sklearn.metrics.mean_squared_log_error 和 sklearn.metrics.root_mean_squared_log_error 现在支持Array API兼容输入。通过 Virgil Chan #29709

• Feature preprocessing.MinMaxScaler 与 clip=True 现在支持数组API兼容的输入。通过 Shreekant Nandiyawar #29751

• 对即将废弃的支持 cupy.array_api 模块已被删除，支持直接支持顶级 cupy 模块，可能通过 array_api_compat.cupy 兼容性包装。通过 Olivier Grisel #29639

元数据路由

参阅 Metadata Routing User Guide 了解更多详细信息。

• Feature semi_supervised.SelfTrainingClassifier 现在支持元数据路由。现在接受适合的方法 **fit_params 这些信息通过他们的 fit 方法.此外该 predict , predict_proba , predict_log_proba , score 和 decision_function 方法也接受 **params 其经由其各自的方法被传递到底层估计器。通过 Adam Li #28494

• Feature ensemble.StackingClassifier 和 ensemble.StackingRegressor 现在支持元数据路由和传递 **fit_params 通过他们的估计者 fit 方法.通过 Stefanie Senger #28701

• Feature model_selection.learning_curve 现在支持元数据路由 fit 其估计器及其基础CV拆分器和评分器的方法。通过 Stefanie Senger #28975

• Feature compose.TransformedTargetRegressor 现在支持元数据路由 fit 和 predict 方法并将相应的参数路由到基础回归量。通过 Omar Salman #29136

• Feature feature_selection.SequentialFeatureSelector 现在支持元数据路由 fit 方法并将相应的参数传递给 model_selection.cross_val_score 功能通过 Omar Salman #29260

• Feature model_selection.permutation_test_score 现在支持元数据路由 fit 其估计器及其基础CV拆分器和评分器的方法。通过 Adam Li #29266

• Feature feature_selection.RFE 和 feature_selection.RFECV 现在支持元数据路由。通过 Omar Salman #29312

• Feature model_selection.validation_curve 现在支持元数据路由 fit 其估计器及其基础CV拆分器和评分器的方法。通过 Stefanie Senger #29329

• Fix 元数据通过以下方式正确路由到分组简历拆分器 linear_model.RidgeCV 和 linear_model.RidgeClassifierCV 和 UnsetMetadataPassedError 固定成 linear_model.RidgeClassifierCV 带有默认评分。通过 Stefanie Senger #29634

• Fix 许多不应该包含在路由机制中的方法参数现在被排除， set_{method}_request methods are not generated for them. By Adrin Jalali #29920

放弃对PyPy的官方支持

由于维护者资源有限且用户数量较少，官方PyPy支持已被放弃。scikit-learn的某些部分可能仍然有效，但PyPy不再在scikit-learn持续集成中进行测试。通过 Loïc Estève #29128

放弃对使用setuptools构建的支持

从scikit-learn 1.6开始，对使用setuptools构建的支持已被删除。Meson是唯一支持的构建scikit-learn的方法，请参阅 Building from source 了解更多详细信息。通过 Loïc Estève #29400

自由线程CPython 3.13支持

scikit-learn对自由线程CPython提供了初步支持，特别是自由线程轮可用于我们所有支持的平台。

自由线程（也称为nogil）CPython 3.13是CPython 3.13的实验版本，旨在通过删除全局解释器锁（GIL）来实现高效的多线程用例。

有关自由线程CPython的更多详细信息，请参阅 py-free-threading doc ，特别是 how to install a free-threaded CPython 和 Ecosystem compatibility tracking .

请随时尝试对您的用例进行自由线程化并报告任何问题！

通过 Loïc Estève 以及更广泛的Science Python和CPython生态系统中的许多其他人，例如 Nathan Goldbaum , Ralf Gommers , Edgar Andrés Margffoy Tuay . #30360

sklearn.base

• Enhancement 添加了功能 base.is_clusterer 其确定给定估计器是否属于类别聚类器。通过 Christian Veenhuis #28936

• API Change 将类对象传递给 is_classifier , is_regressor ，而且 is_outlier_detector 现在已被废弃。改为传递实例。通过 Adrin Jalali #30122

sklearn.calibration

• API Change cv="prefit" is deprecated for CalibratedClassifierCV. Use FrozenEstimator instead, as CalibratedClassifierCV(FrozenEstimator(estimator)). By Adrin Jalali #30171

sklearn.cluster

• API Change 的 copy 参数 cluster.Birch 在1.6中已废弃，并将在1.8中删除。它没有任何影响，因为估计器不会对输入数据执行就地操作。通过 Yao Xiao #29124

sklearn.compose

• Enhancement sklearn.compose.ColumnTransformer verbose_feature_names_out 现在接受字符串格式或可调用以生成要素名称。通过 Marc Bresson #28934

sklearn.covariance

• Efficiency covariance.MinCovDet 现在装配稍微快了一些。通过 Antony Lee #29835

sklearn.cross_decomposition

• Fix cross_decomposition.PLSRegression 在以下情况下正确地引发错误 n_components 大于 n_samples .通过 Thomas Fan #29710

sklearn.datasets

• Feature datasets.fetch_file 允许从网络下载任意数据文件。它可以处理本地缓存、使用SHA 256摘要进行完整性检查以及在出现HTTP错误时自动重新尝试。通过 Olivier Grisel #29354

sklearn.decomposition

• Enhancement LatentDirichletAllocation 现在手上有一 normalize 参数 transform 和 fit_transform 控制文档主题分布是否规范化的方法。通过 Adrin Jalali #30097

• Fix IncrementalPCA 现在只会筹集 ValueError 当输入数据中的样本数为 partial_fit 的第一次调用时的组件数 partial_fit .随后呼吁 partial_fit 不再面临这个限制。通过 Thomas Gessey-Jones #30224

sklearn.discriminant_analysis

• Fix discriminant_analysis.QuadraticDiscriminantAnalysis 现在会导致 LinAlgWarning 如果是共线变量。这些错误可以使用 reg_param 属性通过 Alihan Zihna #19731

sklearn.ensemble

• Feature ensemble.ExtraTreesClassifier 和 ensemble.ExtraTreesRegressor 现在支持数据矩阵中的缺失值 X .在穿越树时，通过将所有样本随机移动到左侧或右侧子节点来处理丢失的值。通过 Adam Li #28268

• Efficiency 配件运行时的小幅改进 ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 通过并行化对箱阈值的初始搜索。通过 Christian Lorentzen #28064

• Efficiency ensemble.IsolationForest 现在在期间运行并行作业 predict 使用大于2000的样本量提供高达2- 4倍的加速 joblib .通过 Adam Li 和 Sérgio Pereira #28622

• Enhancement 的冗长 ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 得到了更细致的控制。现在， verbose = 1 仅打印摘要消息， verbose >= 2 像以前一样打印完整信息。通过 Christian Lorentzen #28179

• API Change 参数 algorithm 的 ensemble.AdaBoostClassifier 已被弃用并将在1.8中删除。通过 Jérémie du Boisberranger #29997

sklearn.feature_extraction

• Fix feature_extraction.text.TfidfVectorizer 现在正确地保留了 dtype 的 idf_ 基于输入数据。通过 Guillaume Lemaitre #30022

sklearn.frozen

• Major Feature FrozenEstimator 现在引入了允许冻结估计器。这意味着打电话 .fit on it has no effect, and doing a clone(frozenestimator) returns the same estimator instead of an unfitted clone. #29705 By Adrin Jalali #29705

sklearn.impute

• Fix impute.KNNImputer excludes samples with nan distances when computing the mean value for uniform weights. By Xuefeng Xu #29135

• Fix 当 min_value 和 max_value 类似于数组，并且由于 keep_empty_features=False , impute.IterativeImputer 不再引发错误，并且现在可以正确索引。通过 Guntitat Sawadwuthikul #29451

• Fix 固定 impute.IterativeImputer 确保在以下情况下不会跳过迭代过程 keep_empty_features 设置为 True .通过 Arif Qodari #29779

• API Change 添加警告 impute.SimpleImputer 当 keep_empty_feature=False 和 strategy="constant" .在这种情况下，空功能不会被删除，并且这种行为将在1.8中更改。通过 Arthur Courselle 和 Simon Riou #29950

sklearn.linear_model

• Enhancement 的 solver="newton-cholesky" 在 linear_model.LogisticRegression 和 linear_model.LogisticRegressionCV 扩展到支持多类环境中的全部多项损失。通过 Christian Lorentzen #28840

• Fix 在 linear_model.Ridge 和 linear_model.RidgeCV 之后 fit, the coef_ attribute is now of shape (n_samples,) like other linear models. By Maxwell Liu, Guillaume Lemaitre ，而且 Adrin Jalali #19746

• Fix linear_model.LogisticRegressionCV 纠正用于计算测试分数的样本权重处理。通过 Shruti Nath #29419

• Fix linear_model.LassoCV 和 linear_model.ElasticNetCV 现在考虑样本权重，以定义内部调整的搜索网格 alpha 超参数通过 John Hopfensperger 和 Shruti Nath #29442

• Fix linear_model.LogisticRegression , linear_model.PoissonRegressor , linear_model.GammaRegressor , linear_model.TweedieRegressor 现在考虑样本权重以决定何时退回 solver='lbfgs' 每当 solver='newton-cholesky' 在数值上变得不稳定。通过 Antoine Baker #29818

• Fix linear_model.RidgeCV 现在正确使用与期间看到的目标相同规模的预测 fit .这些预测存储在 cv_results_ 当 scoring != None .此前，预测是通过样本权重的平方根重新调整的，并通过目标的平均值抵消的，导致分数估计不正确。通过 Guillaume Lemaitre , Jérôme Dockes 和 Hanmin Qin #29842

• Fix linear_model.RidgeCV 现在通过让记分器管理多输出平均来正确支持自定义多输出记分器。此前，在计算误差之前，预测和真实目标都被压缩到1D阵列中。通过 Guillaume Lemaitre #29884

• Fix linear_model.LinearRegression 现在设置 cond 参数时调用 scipy.linalg.lstsq 密集输入数据上的求解器。这确保了在秩亏数据上得到更稳健的结果。特别是，它根据经验确定了重新加权或重复数据点拟合之间的预期等效性。通过 Antoine Baker #30040

• Fix linear_model.LogisticRegression 和其他接受的线性模型 solver="newton-cholesky" 现在，当迭代返回到 "lbfgs" 求解器，因为Hessian矩阵有一个有度的Hessian矩阵。通过 Olivier Grisel #30100

• Fix SGDOneClassSVM 现在正确继承自 OutlierMixin 并且标签被正确设置。通过 Guillaume Lemaitre #30227

• API Change 不赞成 copy_X 在 linear_model.TheilSenRegressor 因为参数没有影响。 copy_X 将在1.8中删除。通过 Adam Li #29105

sklearn.manifold

• Efficiency manifold.locally_linear_embedding 和 manifold.LocallyLinearEmbedding 现在可以更有效地分配Hessian、Modifted和LTSA方法中的稀疏矩阵内存。通过 Giorgio Angelotti #28096

sklearn.metrics

• Efficiency sklearn.metrics.classification_report 现在，通过缓存分类标签，速度更快。通过 Adrin Jalali #29738

• Enhancement metrics.RocCurveDisplay.from_estimator , metrics.RocCurveDisplay.from_predictions , metrics.PrecisionRecallDisplay.from_estimator ，而且 metrics.PrecisionRecallDisplay.from_predictions 现在接受新关键字 despine 删除情节的顶部和右侧脊柱，以使其更清晰。通过 Yao Xiao #26367

• Enhancement sklearn.metrics.check_scoring 现在接受 raise_exc 指定如果多指标评分中的评分者子集失败，是否引发异常或返回错误代码。通过 Stefanie Senger #28992

• Fix metrics.roc_auc_score 如果标签中仅存在一个类，现在将正确返回np.nan并警告用户。通过 Hleb Levitski 和 Janez Demšar #27412 , #30013

• Fix 的功能 metrics.mean_squared_log_error 和 metrics.root_mean_squared_log_error 现在检查输入是否在函数的正确范围内 \(y=\log(1+x)\) ，而不是 \(y=\log(x)\) .的功能 metrics.mean_absolute_error , metrics.mean_absolute_percentage_error , metrics.mean_squared_error 和 metrics.root_mean_squared_error 现在显式检查当 multioutput=uniform_average .通过 Virgil Chan #29709

• API Change 的 assert_all_finite 函数参数 metrics.pairwise.check_pairwise_arrays 和 metrics.pairwise_distances 已更名为 ensure_all_finite . force_all_finite 将在1.8中删除。通过 Jérémie du Boisberranger #29404

• API Change scoring="neg_max_error" 应该使用而不是 scoring="max_error" 现已废弃。通过 Farid "Freddie" Taba #29462

• API Change 的默认值 response_method 参数 metrics.make_scorer 将从 None 到 "predict" 和 None 将在1.8中删除。与此同时 None 相当于 "predict" .通过 Jérémie du Boisberranger #30001

sklearn.model_selection

• Enhancement GroupKFold 现在有能力将群组洗牌到不同的折叠中， shuffle=True .通过 Zachary Vealey #28519

• Enhancement 没必要打电话 fit 上 FixedThresholdClassifier 如果基础估计量已经被匹配。通过 Adrin Jalali #30172

• Fix 改善错误消息， model_selection.RepeatedStratifiedKFold.split 被称为没有a y 论点 Anurag Varma #29402

sklearn.neighbors

• Enhancement neighbors.NearestNeighbors , neighbors.KNeighborsClassifier , neighbors.KNeighborsRegressor , neighbors.RadiusNeighborsClassifier , neighbors.RadiusNeighborsRegressor , neighbors.KNeighborsTransformer , neighbors.RadiusNeighborsTransformer ，而且 neighbors.LocalOutlierFactor 现在与 metric="nan_euclidean", supporting nan inputs. By Carlo Lemos, Guillaume Lemaitre ，而且 Adrin Jalali #25330

• Enhancement 添加 neighbors.NearestCentroid.decision_function , neighbors.NearestCentroid.predict_proba 和 neighbors.NearestCentroid.predict_log_proba 到 neighbors.NearestCentroid 估计器类。支持案例时 X 是稀疏和 shrinking_threshold 不 None 在 neighbors.NearestCentroid .通过 Matthew Ning #26689

• Enhancement 使 predict , predict_proba ，而且 score 的 neighbors.KNeighborsClassifier 和 neighbors.RadiusNeighborsClassifier 接受 X=None 作为输入。在这种情况下，返回所有训练设定点的预测，并且点不包括在其自己的邻居中。通过 Dmitry Kobak #30047

• Fix neighbors.LocalOutlierFactor 在 fit 当训练数据中的重复值导致异常值检测不准确时，使用方法。通过 Henrique Caroço #28773

sklearn.neural_network

• Fix neural_network.MLPRegressor 当模型偏离时，它不再崩溃 early_stopping 已启用。通过 Marc Bresson #29773

sklearn.pipeline

• Major Feature pipeline.Pipeline 现在可以将元数据转换到需要元数据的步骤，可以使用 transform_input parameter. By Adrin Jalali #28901

• Enhancement pipeline.Pipeline 现在警告不要在调用需要安装管道的方法之前进行安装。此警告在1.8中将成为错误。通过 Adrin Jalali #29868

• Fix 修复了标签和估计器类型的问题 Pipeline 当管道空时。这使得空管道的HTML表示能够正确呈现。通过 Gennaro Daniele Acciaro #30203

sklearn.preprocessing

• Enhancement 添加 warn 选项 handle_unknown 参数 preprocessing.OneHotEncoder .通过 Hleb Levitski #28637

• Enhancement 的HTML表示 preprocessing.FunctionTransformer 将在标签中显示函数名称。通过 Yao Xiao #29158

• Fix preprocessing.PowerTransformer 现在使用 scipy.special.inv_boxcox 以输出 nan 如果BoxCox的逆输入无效。通过 Xuefeng Xu #27875

sklearn.semi_supervised

• API Change semi_supervised.SelfTrainingClassifier 废弃了 base_estimator 参数有利于 estimator .通过 Adam Li #28494

sklearn.tree

• Feature tree.ExtraTreeClassifier 和 tree.ExtraTreeRegressor 现在支持数据矩阵中的缺失值 X .在穿越树时，通过将所有样本随机移动到左侧或右侧子节点来处理丢失的值。通过 Adam Li 和 Loïc Estève #27966 , #30318

• Fix 将树输出为Graphviz格式时，省略标签和要素名称的双引号。通过 Santiago M. Mola . #17575

sklearn.utils

• Enhancement utils.check_array 现在接受 ensure_non_negative 检查传递的数组中是否有负值，到目前为止只能通过调用 utils.check_non_negative .通过 Tamara Atanasoska #29540

• Enhancement check_estimator 和 parametrize_with_checks 现在检查分类器是否具有 tags.classifier_tags.multi_class = False tag but does not fail on multi-class data. By Adrin Jalali #29874

• Enhancement utils.validation.check_is_fitted 现在传递无状态估计器。估计器可以通过设置 requires_fit 标签看到 估计标签 for more information.通过 Adrin Jalali #29880

• Enhancement 更改 check_estimator 和 parametrize_with_checks .

  • check_estimator 引入了新的论点： on_skip , on_fail ，而且 callback 以控制检查运行者的行为。有关更多详细信息，请参阅API文档。

  • generate_only=True 已被废弃 check_estimator .使用 estimator_checks_generator 而不是.

  • 的 _xfail_checks 估计器标签现已删除，现在为了指示哪些测试预计会失败，您可以将字典传递给 check_estimator 为 expected_failed_checks 参数.同样， expected_failed_checks 参数 parametrize_with_checks 可以使用，这是一个可调用的，返回形式为：：

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

  通过 Adrin Jalali #30149

• Fix utils.estimator_checks.parametrize_with_checks 和 utils.estimator_checks.check_estimator 现在支持的估计者 set_output 呼吁他们。通过 Adrin Jalali #29869

• API Change 的 assert_all_finite 函数参数 utils.check_array , utils.check_X_y , utils.as_float_array 已更名为 ensure_all_finite . force_all_finite 将在1.8中删除。通过 Jérémie du Boisberranger #29404

• API Change utils.estimator_checks.check_sample_weights_invariance 改为 utils.estimator_checks.check_sample_weight_equivalence_on_dense_data 它使用integer（包括零）权重， utils.estimator_checks.check_sample_weight_equivalence_on_sparse_data 它对稀疏数据也做同样的事情。通过 Antoine Baker #29818 , #30137

• API Change 使用 _estimator_type to set the estimator type is deprecated. Inherit from ClassifierMixin, RegressorMixin, TransformerMixin, or OutlierMixin instead. Alternatively, you can set estimator_type in Tags in the _ _sklearn_tags__ ` method. By `Adrin Jalali #30122

代码和文档贡献者

感谢自1.5版本以来为项目维护和改进做出贡献的所有人，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、alexqio、Alihan Zihna、Aniruddha Saha、antoinebaker、Antony Lee、Anurag Varma、Arif Qodari、Arthur Courselle、ArthurDbrn、Arturo Amor、Aswathavicky、Audrey Flanders、aurelienmorgan、Austin、awwwyan、AyGeeEm、a.zy.lee，baggiponte，BlazeStorm 001，bme-git，Boney Patel，brdav，Brigitta Sipatticz，Cailean Carter，Camille Troillard，Carlo Lemos，Christian Lorentzen，Christian Veenhuis，Christine P. Chai，claudio，Conrad Stevens，datarollhexasphericon，Davide菊苣，David Matthew Cherney，Dea María Léon，Deepak SalDanha，Deepyaman Datta，dependabot [bot] ，dinga 92，Dmitry Kobak，Domenico，Drew Craeton，dymil，Edoardo Abati，EmilyXiyi，Eric Larson，Evelyn，fabianhenning，Farid“Freddie”Taba，Gael Varoquaux，Giorgio Angelotti，Hleb Levitski，Guillaume Lemaitre，Guntitat Sawadwuthikul，Haesun Park，Hanjun Kim，Henrique Caroço，hhchen 1105，Hugo Boulenger，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、Joel Nothman、John Enblom、JorgeCardenas、Joseph Barbier、jpienaar-tuks、Julian Chan、K.Bharat Reddy、Kevin Doshi、Lars、Loic Estevve、Lucas Colley、Lucy Liu、lunovian、Marc Bresson、Marco Edward Gorelli、Marco Maggi、Marco Wolsza、Maren Westermann、MarieS-WiDS、Martin Helm、Mathew Shen、Mathurinm、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 Prening、notPlancha、Olivier Grisel、Omar Salman、ParsifalXu、Piotr、Priyank Shroff、Priyansh Gupta、Quentin Barthélemy、Rachit 23110261、Rahil Parikh、raisadz、Rajath、renaissance0ne、Reshama Shaikh、Roberto Rosati、Robert Pollak、rwelsch 427、Santiago Castro、Santiago M. Mola，scikit-learn-bot，sean moiselle，SHREEKANT VITTHAL NANDIYAWAR，Shruti Nath，Søren Bredlund Caspersen，Stefanie Senger，Stefano Gaspari，Steffen Schneider，Štpán Sršeregon，Sylvain Combettes，Tamara，Thomas，Thomas Gessiy-Jones，Thomas J. Fan，Thomas Li，ThorbenMaa，Tialo，Tim Head，Tuhin Sharma，Tushar Parimi，Umberto Fasci，紫外线，vedpawar 2254，Velislav Babatchev，Victoria Shevchenko，viktor765，Vince Carey、Virgil Chan、王佳毅、肖远、徐学峰、姚晓、yareyaredesuyo、Zachary Vealey、Ziad Amerr