.. DO NOT EDIT. .. THIS FILE WAS AUTOMATICALLY GENERATED BY SPHINX-GALLERY. .. TO MAKE CHANGES, EDIT THE SOURCE PYTHON FILE: .. "auto_examples/release_highlights/plot_release_highlights_0_23_0.py" .. LINE NUMBERS ARE GIVEN BELOW. .. only:: html .. note:: :class: sphx-glr-download-link-note :ref:`Go to the end ` to download the full example code. or to run this example in your browser via JupyterLite or Binder .. rst-class:: sphx-glr-example-title .. _sphx_glr_auto_examples_release_highlights_plot_release_highlights_0_23_0.py: ======================================== أبرز الميزات الجديدة في إصدار scikit-learn 0.23 ======================================== .. currentmodule:: sklearn يسعدنا الإعلان عن إصدار scikit-learn 0.23! تم إصلاح العديد من الأخطاء وإضافة العديد من التحسينات، بالإضافة إلى بعض الميزات الرئيسية الجديدة. نستعرض أدناه بعض الميزات الرئيسية لهذا الإصدار. **للاطلاع على قائمة شاملة بجميع التغييرات**، يرجى الرجوع إلى :ref:`ملاحظات الإصدار `. لتثبيت أحدث إصدار (باستخدام pip):: pip install --upgrade scikit-learn أو باستخدام conda:: conda install -c conda-forge scikit-learn .. GENERATED FROM PYTHON SOURCE LINES 25-36 النماذج الخطية العامة، وخسارة بواسون للتعزيز التدريجي ----------------------------------------------------------------- النماذج الخطية العامة المنتظرة منذ فترة طويلة مع دالات خسارة غير طبيعية أصبحت متوفرة الآن. على وجه الخصوص، تم تنفيذ ثلاثة منظمين جدد: :class:`~sklearn.linear_model.PoissonRegressor`، :class:`~sklearn.linear_model.GammaRegressor`، و :class:`~sklearn.linear_model.TweedieRegressor`. يمكن استخدام منظم بواسون لنمذجة العد الإيجابي للمتغيرات الصحيحة، أو الترددات النسبية. اقرأ المزيد في :ref:`دليل المستخدم `. بالإضافة إلى ذلك، :class:`~sklearn.ensemble.HistGradientBoostingRegressor` يدعم الآن 'poisson' كخسارة أيضًا. .. GENERATED FROM PYTHON SOURCE LINES 36-55 .. code-block:: Python import numpy as np from sklearn.model_selection import train_test_split from sklearn.linear_model import PoissonRegressor from sklearn.ensemble import HistGradientBoostingRegressor n_samples, n_features = 1000, 20 rng = np.random.RandomState(0) X = rng.randn(n_samples, n_features) # الهدف الإيجابي للمتغيرات الصحيحة مرتبط بـ X[:, 5] مع العديد من الأصفار: y = rng.poisson(lam=np.exp(X[:, 5]) / 2) X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=rng) glm = PoissonRegressor() gbdt = HistGradientBoostingRegressor(loss="poisson", learning_rate=0.01) glm.fit(X_train, y_train) gbdt.fit(X_train, y_train) print(glm.score(X_test, y_test)) print(gbdt.score(X_test, y_test)) .. rst-class:: sphx-glr-script-out .. code-block:: none 0.35776189065725783 0.42425183539869415 .. GENERATED FROM PYTHON SOURCE LINES 56-63 تمثيل مرئي غني للمقدرات ----------------------------------------- يمكن الآن تصور المقدرات في الدفاتر من خلال تمكين خيار `display='diagram'` . هذا مفيد بشكل خاص لتلخيص بنية الأنابيب والمقدرات المركبة الأخرى، مع التفاعل لتوفير التفاصيل. انقر على الصورة التوضيحية أدناه لتوسيع عناصر الأنابيب. راجع :ref:`visualizing_composite_estimators` لمعرفة كيفية استخدام هذه الميزة. .. GENERATED FROM PYTHON SOURCE LINES 63-87 .. code-block:: Python from sklearn import set_config from sklearn.pipeline import make_pipeline from sklearn.preprocessing import OneHotEncoder, StandardScaler from sklearn.impute import SimpleImputer from sklearn.compose import make_column_transformer from sklearn.linear_model import LogisticRegression set_config(display="diagram") num_proc = make_pipeline(SimpleImputer(strategy="median"), StandardScaler()) cat_proc = make_pipeline( SimpleImputer(strategy="constant", fill_value="missing"), OneHotEncoder(handle_unknown="ignore"), ) preprocessor = make_column_transformer( (num_proc, ("feat1", "feat3")), (cat_proc, ("feat0", "feat2")) ) clf = make_pipeline(preprocessor, LogisticRegression()) clf .. raw:: html 
Pipeline(steps=[('columntransformer',
                     ColumnTransformer(transformers=[('pipeline-1',
                                                      Pipeline(steps=[('simpleimputer',
                                                                       SimpleImputer(strategy='median')),
                                                                      ('standardscaler',
                                                                       StandardScaler())]),
                                                      ('feat1', 'feat3')),
                                                     ('pipeline-2',
                                                      Pipeline(steps=[('simpleimputer',
                                                                       SimpleImputer(fill_value='missing',
                                                                                     strategy='constant')),
                                                                      ('onehotencoder',
                                                                       OneHotEncoder(handle_unknown='ignore'))]),
                                                      ('feat0', 'feat2'))])),
                    ('logisticregression', LogisticRegression())])
In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.


.. GENERATED FROM PYTHON SOURCE LINES 88-96 تحسينات في قابلية التوسع والاستقرار لخوارزمية KMeans ------------------------------------------------ تم إعادة تصميم خوارزمية :class:`~sklearn.cluster.KMeans` بالكامل، وهي الآن أسرع وأكثر استقرارًا بشكل ملحوظ. بالإضافة إلى ذلك، أصبحت خوارزمية Elkan متوافقة مع المصفوفات المتناثرة. يستخدم المقدر موازاة قائمة على OpenMP بدلاً من الاعتماد على joblib، لذلك لم يعد لخيار `n_jobs` أي تأثير. للحصول على مزيد من التفاصيل حول كيفية التحكم في عدد الخيوط، يرجى الرجوع إلى ملاحظاتنا حول :ref:`الموازاة `. .. GENERATED FROM PYTHON SOURCE LINES 96-110 .. code-block:: Python import scipy import numpy as np from sklearn.model_selection import train_test_split from sklearn.cluster import KMeans from sklearn.datasets import make_blobs from sklearn.metrics import completeness_score rng = np.random.RandomState(0) X, y = make_blobs(random_state=rng) X = scipy.sparse.csr_matrix(X) X_train, X_test, _, y_test = train_test_split(X, y, random_state=rng) kmeans = KMeans(n_init="auto").fit(X_train) print(completeness_score(kmeans.predict(X_test), y_test)) .. rst-class:: sphx-glr-script-out .. code-block:: none 0.6992415257664282 .. GENERATED FROM PYTHON SOURCE LINES 111-124 تحسينات على المقدرات القائمة على التدرج التدريجي للتعزيز التدريجي ---------------------------------------------------------------- تم إجراء العديد من التحسينات على :class:`~sklearn.ensemble.HistGradientBoostingClassifier` و :class:`~sklearn.ensemble.HistGradientBoostingRegressor`. بالإضافة إلى خسارة بواسون المذكورة أعلاه، تدعم هذه المقدرات الآن :ref:`أوزان العينات `. أيضًا، تم إضافة معيار إيقاف مبكر تلقائي: يتم تمكين الإيقاف المبكر بشكل افتراضي عندما يتجاوز عدد العينات 10 آلاف. أخيرًا، يمكن للمستخدمين الآن تحديد :ref:`قيود أحادية الاتجاه ` لتقييد التوقعات بناءً على تغيرات ميزات محددة. في المثال التالي، نقوم ببناء هدف مرتبط بشكل عام بالمتغير الأول، مع بعض الضجيج. يسمح تطبيق القيود الأحادية الاتجاه بالتوقعات بالتقاط التأثير العام للمتغير الأول، بدلاً من ملاءمة الضجيج. لمثال على الاستخدام، راجع :ref:`sphx_glr_auto_examples_ensemble_plot_hgbt_regression.py`. .. GENERATED FROM PYTHON SOURCE LINES 124-167 .. code-block:: Python import numpy as np from matplotlib import pyplot as plt from sklearn.model_selection import train_test_split # from sklearn.inspection import plot_partial_dependence from sklearn.inspection import PartialDependenceDisplay from sklearn.ensemble import HistGradientBoostingRegressor n_samples = 500 rng = np.random.RandomState(0) X = rng.randn(n_samples, 2) noise = rng.normal(loc=0.0, scale=0.01, size=n_samples) y = 5 * X[:, 0] + np.sin(10 * np.pi * X[:, 0]) - noise gbdt_no_cst = HistGradientBoostingRegressor().fit(X, y) gbdt_cst = HistGradientBoostingRegressor(monotonic_cst=[1, 0]).fit(X, y) # plot_partial_dependence has been removed in version 1.2. From 1.2, use # PartialDependenceDisplay instead. # disp = plot_partial_dependence( disp = PartialDependenceDisplay.from_estimator( gbdt_no_cst, X, features=[0], feature_names=["feature 0"], line_kw={"linewidth": 4, "label": "unconstrained", "color": "tab:blue"}, ) # plot_partial_dependence( PartialDependenceDisplay.from_estimator( gbdt_cst, X, features=[0], line_kw={"linewidth": 4, "label": "constrained", "color": "tab:orange"}, ax=disp.axes_, ) disp.axes_[0, 0].plot( X[:, 0], y, "o", alpha=0.5, zorder=-1, label="samples", color="tab:green" ) disp.axes_[0, 0].set_ylim(-3, 3) disp.axes_[0, 0].set_xlim(-1, 1) plt.legend() plt.show() .. image-sg:: /auto_examples/release_highlights/images/sphx_glr_plot_release_highlights_0_23_0_001.png :alt: plot release highlights 0 23 0 :srcset: /auto_examples/release_highlights/images/sphx_glr_plot_release_highlights_0_23_0_001.png :class: sphx-glr-single-img .. GENERATED FROM PYTHON SOURCE LINES 168-172 دعم أوزان العينات لخوارزميتي Lasso و ElasticNet ---------------------------------------------- خوارزميتا الانحدار الخطي :class:`~sklearn.linear_model.Lasso` و :class:`~sklearn.linear_model.ElasticNet` تدعمان الآن أوزان العينات. .. GENERATED FROM PYTHON SOURCE LINES 172-187 .. code-block:: Python from sklearn.model_selection import train_test_split from sklearn.datasets import make_regression from sklearn.linear_model import Lasso import numpy as np n_samples, n_features = 1000, 20 rng = np.random.RandomState(0) X, y = make_regression(n_samples, n_features, random_state=rng) sample_weight = rng.rand(n_samples) X_train, X_test, y_train, y_test, sw_train, sw_test = train_test_split( X, y, sample_weight, random_state=rng ) reg = Lasso() reg.fit(X_train, y_train, sample_weight=sw_train) print(reg.score(X_test, y_test, sw_test)) .. rst-class:: sphx-glr-script-out .. code-block:: none 0.999791942438998 .. rst-class:: sphx-glr-timing **Total running time of the script:** (0 minutes 1.036 seconds) .. _sphx_glr_download_auto_examples_release_highlights_plot_release_highlights_0_23_0.py: .. only:: html .. container:: sphx-glr-footer sphx-glr-footer-example .. container:: binder-badge .. image:: images/binder_badge_logo.svg :target: https://mybinder.org/v2/gh/scikit-learn/scikit-learn/main?urlpath=lab/tree/notebooks/auto_examples/release_highlights/plot_release_highlights_0_23_0.ipynb :alt: Launch binder :width: 150 px .. container:: lite-badge .. image:: images/jupyterlite_badge_logo.svg :target: ../../lite/lab/index.html?path=auto_examples/release_highlights/plot_release_highlights_0_23_0.ipynb :alt: Launch JupyterLite :width: 150 px .. container:: sphx-glr-download sphx-glr-download-jupyter :download:`Download Jupyter notebook: plot_release_highlights_0_23_0.ipynb ` .. container:: sphx-glr-download sphx-glr-download-python :download:`Download Python source code: plot_release_highlights_0_23_0.py ` .. container:: sphx-glr-download sphx-glr-download-zip :download:`Download zipped: plot_release_highlights_0_23_0.zip ` .. include:: plot_release_highlights_0_23_0.recommendations .. only:: html .. rst-class:: sphx-glr-signature `Gallery generated by Sphinx-Gallery `_