牛逼了！Scikit-learn 0.22新版本发布，新功能更加方便
牛逼了！Scikit-learn 0.22新版本发布，新功能更加方便
作者：xiaoyu，数据爱好者 Scikit-learn此次发布的版本为0.22。我浏览了一下，此次版本除了修复之前出现的一些bug，还更新了很多新功能，不得不说更加好用了。下面我把我了解到主要的几个最新功能和大家分享一下。
▍sklearn.ensemble 集成模型
1. 模型融合
旧版本的ensemble集成学习模块里只有提升树、随机森林等高级模型，新版本增加了融合模型，有 StackingClassifier 和 StackingRegressor ，对应分类和回归。原来模型融合的做法是自己手撸一个，现在可以做到直接使用方法，更加方便，尤其对于参加kaggle竞赛，模型融合也是上分利器。
下面是更新后的一个使用例子。
from sklearn.datasets import load_iris
from sklearn.svm import LinearSVC
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.ensemble import StackingClassifier
from sklearn.model_selection import train_test_split
X, y = load_iris(return_X_y=True)
estimators = [
('rf', RandomForestClassifier(n_estimators=10, random_state=42)),
('svr', make_pipeline(StandardScaler(),
LinearSVC(random_state=42)))
]
clf = StackingClassifier(
estimators=estimators, final_estimator=LogisticRegression()
)
X_train, X_test, y_train, y_test = train_test_split(
X, y, stratify=y, random_state=42
)
clf.fit(X_train, y_train).score(X_test, y_test)0.94736842105263152. 对梯度提升提供缺失值的本地支持
ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 现在对缺失值（NaNs）具有本机支持，因此在训练或预测时就不需填补缺失数据了，完全可以直接运行。
from sklearn.experimental import enable_hist_gradient_boosting # noqa
from sklearn.ensemble import HistGradientBoostingClassifier
import numpy as np
X = np.array([0, 1, 2, np.nan]).reshape(-1, 1)
y = [0, 0, 1, 1]
gbdt = HistGradientBoostingClassifier(min_samples_leaf=1).fit(X, y)
print(gbdt.predict(X))[0 0 1 1]▍sklearn.impute 模块
新版本的 sklearn.impute 模块中增加了 impute.KNNImputer ，所以当我们需要填补缺失值时，可以考虑直接使用KNN的这个算法填补。
import numpy as np
from sklearn.impute import KNNImputer
X = [[1, 2, np.nan], [3, 4, 3], [np.nan, 6, 5], [8, 8, 7]]
imputer = KNNImputer(n_neighbors=2)
print(imputer.fit_transform(X))[[1. 2. 4. ]
[3. 4. 3. ]
[5.5 6. 5. ]
[8. 8. 7. ]]▍sklearn.inspection 模块
新增加了 inspection.permutation_importance， 可以用来估计每个特征的重要性。
from sklearn.ensemble import RandomForestClassifier
from sklearn.inspection import permutation_importance
X, y = make_classification(random_state=0, n_features=5, n_informative=3)
rf = RandomForestClassifier(random_state=0).fit(X, y)
result = permutation_importance(rf, X, y, n_repeats=10, random_state=0,
n_jobs=-1)
fig, ax = plt.subplots()
sorted_idx = result.importances_mean.argsort()
ax.boxplot(result.importances[sorted_idx].T,
vert=False, labels=range(X.shape[1]))
ax.set_title("Permutation Importance of each feature")
ax.set_ylabel("Features")
fig.tight_layout()
plt.show()
▍sklearn.metrics 模块
新版本增加了一个非常好的功能 metrics.plot_roc_curve，解决了roc_curve 绘制的问题。原来需要自己根据auc/roc原理自己撸，虽然网上已有了相应成熟的现成代码，但此后可以直接放心大胆的用了。
同时，这个 roc_auc_score 函数也可用于多类分类。目前支持两种平均策略：1-VS-1 算法计算成对的ROC AUC分数的平均值，1-VS-REST 算法计算每一类相对于所有其他类的平均分数。在这两种情况下，多类ROC AUC分数是根据该模型从样本属于特定类别的概率估计来计算的。OVO和OVR算法支持均匀加权(average='macro')和按流行率(average='weighted')。
from sklearn.datasets import make_classification
from sklearn.svm import SVC
from sklearn.metrics import roc_auc_score
X, y = make_classification(n_classes=4, n_informative=16)
clf = SVC(decision_function_shape='ovo', probability=True).fit(X, y)
print(roc_auc_score(y, clf.predict_proba(X), multi_class='ovo'))0.9957333333333332脚本的总运行时间：(0分7.364秒)
估计内存使用量：8 MB
▍全新 plotting API
对于创建可视化任务，scikit-learn 推出了一个全新 plotting API。这个新API可以快速调整图形的视觉效果，不再需要进行重新计算。也可以在同一个图形中添加不同的图表。例如：
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import plot_roc_curve
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
import matplotlib.pyplot as plt
X, y = make_classification(random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
svc = SVC(random_state=42)
svc.fit(X_train, y_train)
rfc = RandomForestClassifier(random_state=42)
rfc.fit(X_train, y_train)
svc_disp = plot_roc_curve(svc, X_test, y_test)
rfc_disp = plot_roc_curve(rfc, X_test, y_test, ax=svc_disp.ax_)
rfc_disp.figure_.suptitle("ROC curve comparison")
plt.show()
▍预计算的稀疏近邻图
大多数基于最近邻图的估算都接受预先计算的稀疏图作为输入，以将同一图重用于多个估算量拟合。
要在pipeline中使用这个特性，可以使用 memory 参数，以及neighbors.KNeighborsTransformer 和 neighbors.RadiusNeighborsTransformer 中的一个。
预计算还可以由自定义的估算器来执行。
from tempfile import TemporaryDirectory
from sklearn.neighbors import KNeighborsTransformer
from sklearn.manifold import Isomap
from sklearn.pipeline import make_pipeline
X, y = make_classification(random_state=0)
with TemporaryDirectory(prefix="sklearn_cache_") as tmpdir:
estimator = make_pipeline(
KNeighborsTransformer(n_neighbors=10, mode='distance'),
Isomap(n_neighbors=10, metric='precomputed'),
memory=tmpdir)
estimator.fit(X)
# We can decrease the number of neighbors and the graph will not be
# recomputed.
estimator.set_params(isomap__n_neighbors=5)
estimator.fit(X)
以上就是本次我了解到的主要更新内容，更多详细信息请参考。
链接：https://scikit-learn.org/dev/whats_new/v0.22.html
▍安装
升级很简单，一行指令即可完成。
pip install --upgrade scikit-learn或者用conda
conda install scikit-learn