koaning/scikit-lego

它解决了什么问题

它提供了一组标准 scikit-learn 库中没有的自定义转换器、度量标准和模型，减少了开发者为机器学习管道编写重复自定义组件的需求。

它如何工作

它作为 scikit-learn 的配套库，严格遵循其标准。用户可以导入 scikit-lego 组件（如 GMMClassifier 或 RandomAdder），并直接将其集成到 scikit-learn Pipeline 对象中，与标准的 scikit-learn 工具一起使用。

适合谁使用

使用 scikit-learn 的数据科学家和机器学习工程师，需要专门的预处理工具、公平性约束分类器，或特定的回归和混合模型。

主要特性

• 自定义转换器：包含列选择、异常值移除以及训练期间添加随机性的工具。
• 专用模型：提供多种回归类型（分位数、LAD、Lowess）和基于 GMM 的分类器。
• 公平性工具：包含在人口均等性和机会均等性上受约束的分类器，以及相应的公平性度量标准。
• 管道实用工具：提供 DebugPipeline 以方便调试，以及时间序列专用的分割方法，如 TimeGapSplit。