牛逼了！Scikit-learn 0.22新版本發佈，新功能更加方便

作者：xiaoyu，數據愛好者

Python數據科學出品

Scikit-learn此次發佈的版本爲0.22。我瀏覽了一下，此次版本除了修復之前出現的一些bug，還更新了很多新功能，不得不說更加好用了。下面我把我瞭解到主要的幾個最新功能和大家分享一下。

▍sklearn.ensemble 集成模型

1. 模型融合

舊版本的ensemble集成學習模塊裏只有提升樹、隨機森林等高級模型，新版本增加了融合模型，有 StackingClassifier 和 StackingRegressor ，對應分類和迴歸。原來模型融合的做法是自己手擼一個，現在可以做到直接使用方法，更加方便，尤其對於參加kaggle競賽，模型融合也是上分利器。

下面是更新後的一個使用例子。

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)

0.9473684210526315

2. 對梯度提升提供缺失值的本地支持

ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 現在對缺失值（NaNs）具有本機支持，因此在訓練或預測時就不需填補缺失數據了，完全可以直接運行。

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 模塊

新版本的 sklearn.impute 模塊中增加了 impute.KNNImputer ，所以當我們需要填補缺失值時，可以考慮直接使用KNN的這個算法填補。

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 模塊

新增加了 inspection.permutation_importance，可以用來估計每個特徵的重要性。

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 模塊

新版本增加了一個非常好的功能 metrics.plot_roc_curve，解決了roc_curve 繪製的問題。原來需要自己根據auc/roc原理自己擼，雖然網上已有了相應成熟的現成代碼，但此後可以直接放心大膽的用了。

同時，這個 roc_auc_score 函數也可用於多類分類。目前支持兩種平均策略：1-VS-1 算法計算成對的ROC AUC分數的平均值，1-VS-REST 算法計算每一類相對於所有其他類的平均分數。在這兩種情況下，多類ROC AUC分數是根據該模型從樣本屬於特定類別的概率估計來計算的。OVO和OVR算法支持均勻加權(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

腳本的總運行時間：(0分7.364秒)

估計內存使用量：8 MB

▍全新 plotting API

對於創建可視化任務，scikit-learn 推出了一個全新 plotting API。這個新API可以快速調整圖形的視覺效果，不再需要進行重新計算。也可以在同一個圖形中添加不同的圖表。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()

▍預計算的稀疏近鄰圖

大多數基於最近鄰圖的估算都接受預先計算的稀疏圖作爲輸入，以將同一圖重用於多個估算量擬合。

要在pipeline中使用這個特性，可以使用 memory 參數，以及neighbors.KNeighborsTransformer 和 neighbors.RadiusNeighborsTransformer 中的一個。

預計算還可以由自定義的估算器來執行。

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)

以上就是本次我瞭解到的主要更新內容，更多詳細信息請參考。

鏈接：https://scikit-learn.org/dev/whats_new/v0.22.html