2025 年 9 月 9 日，Scikit-learn 官方宣布正式发布 1.7.2 版本。
这一版本主要包含几个重要的 Bug 修复，并且是 首个支持 Python 3.14 的版本。

本次更新主要内容如下：

一、版本概览

• 版本号：1.7.2
• 发布日期：2025 年 9 月 9 日
• 主要亮点：
  • 修复多个组件的已知问题
  • 新增对 Python 3.14 的支持
  • 进一步提升算法的稳定性与易用性

二、scikit-learn 1.7.2 详细更新内容

1. sklearn.compose

• 修复：compose.TransformedTargetRegressor 在将目标变量进行转换后，现在会将维度保持与原目标相同，再传递给回归器。
  此修复确保了在目标维度一致性方面的稳定性，避免了某些回归模型在输入维度不一致时出现错误。

2. sklearn.feature_extraction

• 修复：为 feature_extraction.FeatureHasher 和 feature_extraction.text.HashingVectorizer 设置了标签 requires_fit=False。
  这意味着这两个类在使用时 无需显式调用 fit，可以直接进行数据转换，符合其无状态（stateless）特性。

3. sklearn.impute

• 修复：在 impute.SimpleImputer 使用 strategy="most_frequent" 策略时，如果数据中存在多个值并列为最高频率且数据类型为混合类型时，之前版本会出现 bug。
  本次更新修复了该问题，确保此类情况下的插补结果正确。

4. sklearn.linear_model

• 修复：当在 linear_model.LogisticRegressionCV 或 linear_model.LogisticRegression 中使用 solver="newton-cholesky" 解决多分类问题，并且启用了 warm_start=True 时，如果 fit_intercept=True 或 penalty=None（即无正则化参数），原始的 warm start 提供的最后一类的系数和截距可能会被错误地覆盖为 0。
  本次更新修复了该问题，确保 warm start 的参数能够正确保留和应用。

5. sklearn.pipeline

• 修复：在 pipeline.FeatureUnion 中，新增校验逻辑，要求所有的子转换器必须返回 二维输出（2D array）。
  如果某个转换器返回的是一维输出（1D array），会抛出明确的错误提示，防止之前悄无声息地产生无意义的拼接结果。

三、如何升级到 1.7.2

使用 pip 升级：

pip install -U scikit-learn

使用 conda-forge 安装：

conda install -c conda-forge scikit-learn

四、总结

本次 scikit-learn 1.7.2 版本虽然是一次小版本更新，但包含了多个在日常开发中可能影响结果的关键 bug 修复，同时也是首个支持 Python 3.14 的版本。建议使用 scikit-learn 的开发者和数据科学从业者尽快升级，以获得更高的稳定性和兼容性。