koaning/scikit-lego

解決的問題

它提供了一組標準 scikit-learn 庫中未包含的自訂轉換器、指標和模型，減少開發者為機器學習流程撰寫重複自訂元件的需求。

工作原理

它作為 scikit-learn 的輔助庫，嚴格遵循其標準。使用者可以匯入 scikit-lego 的元件（例如 GMMClassifier 或 RandomAdder），並直接將其整合至 scikit-learn 的 Pipeline 物件中，與標準的 scikit-learn 工具一同使用。

適用對象

使用 scikit-learn 的資料科學家與機器學習工程師，需要特殊預處理工具、公平性約束分類器，或特定迴歸與混合模型者。

主要特色

• 自訂轉換器：包含欄位選擇、異常值移除，以及訓練期間加入隨機性的工具。
• 專用模型：提供多種迴歸類型（分位數、LAD、Lowess）與基於 GMM 的分類器。
• 公平性工具：包含在人口統計均等與機會均等上受約束的分類器，以及相應的公平性指標。
• 流程工具：提供 DebugPipeline 以方便除錯，以及針對時間序列的分割方法，如 TimeGapSplit。