[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-nubank--fklearn":3,"tool-nubank--fklearn":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",150037,2,"2026-04-10T23:33:47",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":76,"owner_twitter":72,"owner_website":77,"owner_url":78,"languages":79,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":96,"env_os":74,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":101,"github_topics":103,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":137},6579,"nubank\u002Ffklearn","fklearn","fklearn: Functional Machine Learning","fklearn 是一个基于函数式编程理念构建的机器学习库，旨在让解决现实世界的数据问题变得更加简单高效。它的名字致敬了广为人知的 scikit-learn，但核心理念在于弥合模型验证与实际生产环境之间的鸿沟。\n\n在传统机器学习流程中，开发者常面临验证场景脱离实际、实验模型难以直接部署等痛点。fklearn 通过四大原则解决了这些问题：确保验证过程反映真实业务情境、保证生产模型与验证模型完全一致、让模型仅需极少步骤即可投入生产，以及轻松实现结果的可复现性与深度分析。这意味着使用 fklearn 构建的模型，从实验阶段过渡到线上应用时更加平滑可靠，大幅降低了部署风险和维护成本。\n\n这款工具特别适合具有一定编程基础的机器学习工程师、数据科学家以及后端开发者。如果你正在寻找一种能提升工作流严谨性、希望将函数式编程的纯净性与机器学习的实用性相结合的技术方案，fklearn 会是一个理想的选择。它不仅在技术上强调了流程的规范性，更在实际应用中帮助团队建立起从实验到生产的可信桥梁，让机器学习项目的落地变得更加从容有序。","# fklearn: Functional Machine Learning\n\n![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Ffklearn.svg?style=flat-square)\n[![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnubank_fklearn_readme_13d664e1afd7.png)](https:\u002F\u002Ffklearn.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest)\n[![Gitter](https:\u002F\u002Fbadges.gitter.im\u002Ffklearn-python\u002Fcommunity.svg)](https:\u002F\u002Fgitter.im\u002Ffklearn-python\u002Fcommunity?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)\n![Tests](https:\u002F\u002Fgithub.com\u002Fnubank\u002Ffklearn\u002Factions\u002Fworkflows\u002Fpush.yaml\u002Fbadge.svg?branch=master)\n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FApache-2.0)\n\n**fklearn** uses functional programming principles to make it easier to solve real problems with Machine Learning.\n\nThe name is a reference to the widely known [scikit-learn](https:\u002F\u002Fscikit-learn.org\u002Fstable\u002F) library.\n\n**fklearn Principles**\n\n1. Validation should reflect real-life situations.\n2. Production models should match validated models.\n3. Models should be production-ready with few extra steps.\n4. Reproducibility and in-depth analysis of model results should be easy to achieve.\n\n\n[Documentation](https:\u002F\u002Ffklearn.readthedocs.io\u002Fen\u002Flatest\u002F) |\n[Getting Started](https:\u002F\u002Ffklearn.readthedocs.io\u002Fen\u002Flatest\u002Fgetting_started.html) |\n[API Docs](https:\u002F\u002Ffklearn.readthedocs.io\u002Fen\u002Flatest\u002Fapi\u002Fmodules.html) |\n[Contributing](https:\u002F\u002Ffklearn.readthedocs.io\u002Fen\u002Flatest\u002Fcontributing.html) |\n\n\n## Installation\n\nTo install via pip:\n\n```\npip install fklearn\n```\n\nYou can also install from the source:\n\n```sh\ngit clone git@github.com:nubank\u002Ffklearn.git\ncd fklearn\ngit checkout master\npip install -e .\n```\n\n## License\n\n[Apache License 2.0](LICENSE)\n","# fklearn：函数式机器学习\n\n![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Ffklearn.svg?style=flat-square)\n[![文档状态](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnubank_fklearn_readme_13d664e1afd7.png)](https:\u002F\u002Ffklearn.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest)\n[![Gitter](https:\u002F\u002Fbadges.gitter.im\u002Ffklearn-python\u002Fcommunity.svg)](https:\u002F\u002Fgitter.im\u002Ffklearn-python\u002Fcommunity?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)\n![测试](https:\u002F\u002Fgithub.com\u002Fnubank\u002Ffklearn\u002Factions\u002Fworkflows\u002Fpush.yaml\u002Fbadge.svg?branch=master)\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FApache-2.0)\n\n**fklearn** 借助函数式编程原则，使使用机器学习解决实际问题变得更加容易。\n\n该名称参考了广为人知的 [scikit-learn](https:\u002F\u002Fscikit-learn.org\u002Fstable\u002F) 库。\n\n**fklearn 原则**\n\n1. 验证应反映真实场景。\n2. 生产环境中的模型应与验证过的模型一致。\n3. 模型只需少量额外步骤即可直接投入生产。\n4. 模型结果的可复现性和深入分析应易于实现。\n\n\n[文档](https:\u002F\u002Ffklearn.readthedocs.io\u002Fen\u002Flatest\u002F) |\n[快速入门](https:\u002F\u002Ffklearn.readthedocs.io\u002Fen\u002Flatest\u002Fgetting_started.html) |\n[API 文档](https:\u002F\u002Ffklearn.readthedocs.io\u002Fen\u002Flatest\u002Fapi\u002Fmodules.html) |\n[贡献指南](https:\u002F\u002Ffklearn.readthedocs.io\u002Fen\u002Flatest\u002Fcontributing.html) |\n\n\n## 安装\n\n通过 pip 安装：\n\n```\npip install fklearn\n```\n\n你也可以从源码安装：\n\n```sh\ngit clone git@github.com:nubank\u002Ffklearn.git\ncd fklearn\ngit checkout master\npip install -e .\n```\n\n## 许可证\n\n[Apache License 2.0](LICENSE)","# fklearn 快速上手指南\n\nfklearn 是一个基于函数式编程原则构建的机器学习库，旨在简化真实场景下的机器学习问题解决流程。它强调验证环境与生产环境的一致性，确保模型可复现且易于分析。\n\n## 环境准备\n\n- **操作系统**：支持 Linux、macOS 和 Windows\n- **Python 版本**：建议 Python 3.7 及以上\n- **前置依赖**：\n  - `pip` 包管理工具\n  - 基础科学计算库（安装 fklearn 时会自动处理大部分依赖，如 pandas, numpy, scikit-learn 等）\n\n> **提示**：国内开发者建议使用国内镜像源加速安装过程，例如清华源或阿里源。\n\n## 安装步骤\n\n### 方式一：通过 pip 安装（推荐）\n\n使用国内镜像源加速安装：\n\n```bash\npip install fklearn -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n或使用阿里源：\n\n```bash\npip install fklearn -i https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F\n```\n\n### 方式二：从源码安装\n\n适用于需要最新开发版本或贡献代码的场景：\n\n```sh\ngit clone git@github.com:nubank\u002Ffklearn.git\ncd fklearn\ngit checkout master\npip install -e .\n```\n\n## 基本使用\n\nfklearn 的核心设计理念是“函数式”，即每个步骤都是纯函数，输入数据框，输出转换后的数据框或模型对象。以下是一个最简单的分类任务示例：\n\n```python\nfrom fklearn.training.classification import xgb_classifier\nfrom fklearn.evaluation.classification import auc_evaluator\nfrom fklearn.validation.validator import time_split_validator\n\n# 1. 准备数据 (假设 df 是包含特征和目标列 'target' 的 pandas DataFrame)\n# df = ...\n\n# 2. 定义训练函数\ntrain_fn = xgb_classifier(\n    training_data=df,\n    features=[\"feature1\", \"feature2\"],\n    target=\"target\",\n    prediction_column=\"prediction\"\n)\n\n# 3. 获取训练好的模型和预测结果\ntrained_model, predictions, train_log = train_fn\n\n# 4. 评估模型性能\neval_results = auc_evaluator(\n    data=predictions,\n    target_column=\"target\",\n    prediction_column=\"prediction\"\n)\n\nprint(eval_results)\n```\n\n上述示例展示了 fklearn 的典型工作流：定义训练函数 -> 执行训练 -> 评估结果。所有操作均保持数据不可变，便于追踪和复现。\n\n更多详细用法请参考 [官方文档](https:\u002F\u002Ffklearn.readthedocs.io\u002Fen\u002Flatest\u002Fgetting_started.html)。","某金融科技公司数据团队正在构建信用卡欺诈检测模型，急需解决从实验验证到生产部署的断层问题。\n\n### 没有 fklearn 时\n- **验证失真**：传统的随机交叉验证无法模拟真实的时间序列数据分布，导致模型在历史数据表现优异，但上线后对新时段交易误报率飙升。\n- **环境不一致**：研究人员在 Jupyter Notebook 中手动预处理数据，而工程师在生产管道中重写逻辑，两者细微差异引发“训练 - 服务偏差”。\n- **复现困难**：模型迭代缺乏统一记录，当业务方质疑某个版本的召回率时，团队难以快速回溯并复现当时的具体实验配置。\n- **部署繁琐**：将验证过的模型转化为生产代码需要大量手工封装，往往需额外花费数天进行适配和测试。\n\n### 使用 fklearn 后\n- **场景化验证**：利用 fklearn 的时间感知分割功能，强制验证集反映未来的真实数据分布，确保评估指标与上线表现高度一致。\n- **逻辑同源**：基于函数式编程原则，数据转换和建模步骤被封装为纯函数，保证训练阶段与生产推理阶段执行完全相同的代码逻辑。\n- **自动追踪**：每次实验自动生成包含数据快照、参数配置和评估报告的完整日志，支持一键复现任意历史模型结果以供深度分析。\n- **无缝投产**：验证通过的模型对象可直接序列化并部署，无需额外编写胶水代码，实现了从实验到生产的“零步”跨越。\n\nfklearn 通过函数式范式消除了机器学习流程中的不确定性，让模型验证真正反映现实，使生产部署变得简单可靠。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnubank_fklearn_13cd9dc3.png","nubank","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fnubank_773cea21.png","",null,"meajuda@nubank.com.br","https:\u002F\u002Fnubank.com.br","https:\u002F\u002Fgithub.com\u002Fnubank",[80,84,88],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",58.8,{"name":85,"color":86,"percentage":87},"Python","#3572A5",41.2,{"name":89,"color":90,"percentage":91},"Ruby","#701516",0,1541,171,"2026-04-09T23:14:21","Apache-2.0",1,"未说明",{"notes":99,"python":97,"dependencies":100},"README 中未明确列出具体依赖库及版本，仅提及可通过 pip 安装或从源码安装。该工具基于函数式编程原则构建，旨在简化机器学习流程并确保生产模型与验证模型的一致性。",[],[14,102,16],"其他",[104,105,106,107,108],"data-science","machine-learning","python","data-analysis","ml","2026-03-27T02:49:30.150509","2026-04-11T17:48:53.012185",[112,117,122,127,132],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},29699,"如何在生产环境中只安装特定的模型依赖（如 xgboost 或 lightgbm），而不是安装所有包？","fklearn 支持使用额外依赖项（extra requirements）进行按需安装。您可以使用以下命令仅安装核心包和特定模型：\n`pip install fklearn[xgboost]`\n或\n`pip install fklearn[lgbm]`\n如果希望安装所有依赖项，可以使用：\n`pip install fklearn[all]`\n注意：如果只运行 `pip install fklearn`（独立安装），将只包含构建管道和不依赖外部模型包的 Learner，大多数模型将无法直接使用，需要单独安装对应的模型库。","https:\u002F\u002Fgithub.com\u002Fnubank\u002Ffklearn\u002Fissues\u002F84",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},29700,"fklearn 支持的最低 Python 版本是多少？为什么在 Python 2.7 上安装会失败？","fklearn 要求 Python 版本 >= 3.6.2。在 Python 2.7 上安装失败是因为其依赖的 scikit-learn 版本（>=0.21.2）不再支持 Python 2，且 fklearn 代码本身使用了仅兼容 Python 3.6+ 的语法特性（如变量注解 Variable Annotations，PEP 526）。\n解决方法是确保使用 Python 3.6.2 或更高版本的环境进行安装。项目已在 setup.py 中添加了 `python_requires=\">=3.6.2\"` 以防止在不兼容的版本上安装。","https:\u002F\u002Fgithub.com\u002Fnubank\u002Ffklearn\u002Fissues\u002F189",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},29701,"如何在 fklearn 管道中使用自定义模型（例如 GaussianProcessRegressor）？","虽然 fklearn 内置模型有限，但用户可以通过编写自定义函数将任意模型加入管道。您需要定义一个符合 fklearn 规范的函数，该函数接收 DataFrame、特征列、目标列和模型对象，返回预测函数、预测结果和日志。\n参考实现思路如下：\n1. 使用 `@curry` 和 `@log_learner_time` 装饰器。\n2. 函数内部调用模型的 `.fit()` 方法进行训练。\n3. 返回一个预测闭包（closure），该闭包接收新数据并返回预测值。\n4. 返回包含预测结果的 DataFrame 和描述模型的日志字典。\n维护者建议此类功能可以通过提交 PR 加入官方库，目前用户可参考社区提供的代码模板自行实现。","https:\u002F\u002Fgithub.com\u002Fnubank\u002Ffklearn\u002Fissues\u002F70",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},29702,"在使用 split_evaluator 时指定了 eval_name 参数，为什么 split_evaluator_extractor 无法提取结果？","这是一个已知的一致性问题。`split_evaluator` 允许通过 `eval_name` 参数自定义评估器名称，但 `split_evaluator_extractor` 默认仅能处理未指定名称（即默认值为 None）的情况。\n当使用了自定义 `eval_name` 时，提取器可能无法正确匹配日志中的键值。目前的变通方法是检查生成的日志结构，手动调整提取逻辑以匹配自定义的名称键，或者暂时不使用 `eval_name` 参数而使用默认名称以确保提取器正常工作。该问题已被标记为需要修复以完全兼容。","https:\u002F\u002Fgithub.com\u002Fnubank\u002Ffklearn\u002Fissues\u002F151",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},29703,"space_time_split_dataset 函数生成的 outime_inspace_hdout 数据集划分逻辑是否正确？","早期版本中存在文档和逻辑不一致的问题。`outime_inspace_hdout` 本意应是“时间在外、空间在内”的持有集（Holdout Set）。\n正确的划分逻辑应确保：\n1. `train_set`: 时间在训练期内，且在训练空间内（非持有空间）。\n2. `intime_outspace_hdout`: 时间在训练期内，但在持有空间内。\n3. `outime_inspace_hdout`: 时间在训练期后（持有时间），且在训练空间内（非持有空间）。\n4. `outime_outspace_hdout`: 时间在训练期后，且在持有空间内。\n如果您发现划分结果不符合预期，请确保使用的是已修复该 Bug 的最新版本，并注意文档中关于各部分定义的更新（特别是修正了原先混淆的 docstring 描述）。","https:\u002F\u002Fgithub.com\u002Fnubank\u002Ffklearn\u002Fissues\u002F91",[138,143,148,152,157,162,167,172,177,182,187,192,197,202,207,212,217,222,227,232],{"id":139,"version":140,"summary_zh":141,"released_at":142},206268,"4.0.1","# 变更内容\n- **Bug修复**\n  - 将 lightgbm 的最大版本限制为 4.5\n  - 修复 `build_pipeline`，使其能够正确检查参数的默认值\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fnubank\u002Ffklearn\u002Fcompare\u002F4.0.0...4.0.1","2025-02-26T19:40:14",{"id":144,"version":145,"summary_zh":146,"released_at":147},206269,"4.0.0","本次发布主要对依赖库进行了较大版本升级。其主要目标是新增对 Python 3.10 和 3.11 的支持。为此，我们升级了一些必要的库。fklearn 各模块本身没有引入破坏性变更，但由于部分依赖包被大幅升级了几个大版本，其预期行为可能会发生变化。\n\n- 库版本变更：\n  - 提升 `Sphinx` 的最低版本并放宽最高版本限制 | 之前：`Sphinx>=1.7.1,\u003C2`，现在：`Sphinx>=5,\u003C6`\n  - 降低 `shap` 的最高允许版本 | 之前：`shap>=0.43,\u003C1`，现在：`shap>=0.43,\u003C0.45`","2024-08-14T21:06:33",{"id":149,"version":150,"summary_zh":75,"released_at":151},206270,"4.0.0rc1","2024-07-12T15:46:54",{"id":153,"version":154,"summary_zh":155,"released_at":156},206271,"4.0.0rc0","本次发布主要是对库进行了一次重大更新。其主要目标是添加对 Python 3.11 的支持。","2024-05-23T13:17:51",{"id":158,"version":159,"summary_zh":160,"released_at":161},206272,"3.0.0","本次发布主要是对各个库进行了大幅升级。其主要目标是停止对 Python 3.6 和 3.7 的支持。为此，我们升级了所有相关的依赖库。fklearn 模块本身没有引入任何破坏性变更，但由于许多依赖包都升级了好几个大版本，因此其预期行为可能会发生变化。","2023-11-09T12:58:36",{"id":163,"version":164,"summary_zh":165,"released_at":166},206273,"2.4.0a0","这是一个 Alpha 版本，旨在移除对 scikit-learn 0.24 版本的依赖。配备 M1 芯片的新款 Mac 需要更新版本的若干库，而 scikit-learn 0.24 却锁定在非常旧的版本上。该版本还修复了一些测试用例。","2023-08-16T12:43:41",{"id":168,"version":169,"summary_zh":170,"released_at":171},206274,"2.3.1","# 变更内容\n- **Bug修复**\n  - 从常用路径中移除错误的 `lightgbm` 导入\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fnubank\u002Ffklearn\u002Fcompare\u002F2.3.0...2.3.1\n","2023-04-12T12:55:38",{"id":173,"version":174,"summary_zh":175,"released_at":176},206275,"2.3.0","## 变更内容\n- **增强功能**\n  - 提升 `scikit-learn` 的最大允许版本\n  - 为评估器添加可选的 `weight_column` 参数\n  - 将 `TfidfVectorizer` 的 `min_df` 默认值从 20 改为 1\n  - 在 `lgbm_classification_learner` 中加入新的可选 LGBM 参数\n- **维护**\n  - 从 CircleCI 迁移到 GitHub Actions\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fnubank\u002Ffklearn\u002Fcompare\u002F2.2.1...2.3.0","2023-03-28T15:00:25",{"id":178,"version":179,"summary_zh":180,"released_at":181},206276,"2.3.0rc0","2.3.0 的候选发布版。\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fnubank\u002Ffklearn\u002Fcompare\u002F2.2.1...2.3.0rc0","2023-03-28T13:09:02",{"id":183,"version":184,"summary_zh":185,"released_at":186},206277,"2.2.1","- 错误修复\n  - 添加了一个必要的初始化文件，以支持因果分类学习器的导入。\n  - 修复了文档字符串中的问题：因果学习器的描述未显示所有参数。","2022-09-06T18:51:44",{"id":188,"version":189,"summary_zh":190,"released_at":191},206278,"2.2.0","- **增强**\n  - 将分类 S-Learner 模型纳入因果分层效应学习库。\n- **Bug 修复**\n  - 修复了验证器在接收包含缺失值的数据时的行为，以及基于时间的划分函数可能导致生成空训练集和测试集，进而引发程序崩溃的问题。可通过将参数 `drop_empty_folds` 设置为 `True`，以在验证过程中丢弃无效的折，并将其记录到日志中。\n- **文档更新**\n  - 添加了分类 S-Learner 的文档，并更新了验证器的相关文档以反映上述更改。","2022-08-25T21:11:46",{"id":193,"version":194,"summary_zh":195,"released_at":196},206279,"2.1.0","- **Enhancement**\r\n    - Add optional parameter `return_eval_logs_on_train` to the `validator` function,\r\n    enabling it to return the evaluation logs for all training folds instead of just\r\n    the first one\r\n- **Bug Fix**\r\n    - Fix import in `pd_extractors.py` for Python 3.10 compatibility\r\n    - Set a minimal version of Python (3.6.2) for Fklearn\r\n- **Documentation**\r\n    - Fixing some typos, broken links and general improvement on the documentation\r\n","2022-07-27T13:37:41",{"id":198,"version":199,"summary_zh":200,"released_at":201},206280,"2.0.0","- **Possible breaking changes**\r\n    - Allow greater versions of:\r\n        - `catboost`, `lightgbm`, `xgboost`\r\n        - `joblib`, `numpy`\r\n        - `shap`, `swifter`\r\n        - `matplotlib`, `tqdm`, `scipy`\r\n    - Most of the breaking changes in the libs above were due to deprecation of support to Python 3.5 and older versions.\r\n    - Libraries depending on `fklearn` can still restrict the versions of the aforementioned libraries, keeping the previous behavior (e.g., `xgboost\u003C0.90`).\r\n","2021-12-30T01:17:53",{"id":203,"version":204,"summary_zh":205,"released_at":206},206281,"1.24.0","- **New**\r\n    - Add causal curves summary\r\n- **Bug fix**\r\n    - Set correct learner name for learners with column_duplicatable decorator","2021-12-06T18:25:50",{"id":208,"version":209,"summary_zh":210,"released_at":211},206282,"1.23.0","- **New**\r\n    - Add common causal evaluation techniques\r\n    - Add methods to debias a dataframe with a treatment T and confounders X","2021-10-29T18:25:59",{"id":213,"version":214,"summary_zh":215,"released_at":216},206283,"1.22.2","Bug fix\r\n- Remove cloudpickle from requirements\r\n- Remove cloudpickle from parallel_validator","2021-09-01T20:32:31",{"id":218,"version":219,"summary_zh":220,"released_at":221},206284,"1.22.0","- **Enhancement**\r\n    - Add verbose method to `validator` and `parallel_validator`\r\n    - Add column_duplicator decorator to value_mapper\r\n- **Bug Fix**\r\n    - Fix Spatial LC check\r\n    - Fix circleci","2021-02-09T17:03:17",{"id":223,"version":224,"summary_zh":225,"released_at":226},206285,"1.21.0","- **Enhancement**\r\n    - Now transformers can create a new column instead of replace the input\r\n- **Bug Fix**\r\n    - Make requirements more flexible to cover the latest releases\r\n    - split_evaluator_extractor now supports eval_name parameter\r\n    - Fixed `drop_first_column` behaviour in onehot categorizer\r\n- **New**\r\n    - Add learner to calibrate predictions based on a fairness metric\r\n- **Documentation**\r\n    - Fixed docstrings for `reverse_time_learning_curve_splitter` and `feature_importance_backward_selection`","2020-10-02T15:10:26",{"id":228,"version":229,"summary_zh":230,"released_at":231},206286,"1.20.0","- **Enhancement**\r\n    - Now Catboost learner is pickable","2020-07-13T21:16:20",{"id":233,"version":234,"summary_zh":235,"released_at":236},206287,"1.19.1","- **Bug Fix**\r\n    - Be less restrictive with Numba requirements","2020-07-13T20:33:47"]