🎯 为什么选择 Skore？

在数据科学 (Data Science) 领域，你拥有出色的工具可供使用：用于数据探索的 pandas 和 polars，用于有状态转换的 skrub，以及用于模型训练和评估的 scikit-learn。这些库设计为通用的，以适应广泛的使用场景。

但挑战在于： 你的经验对于选择合适的构建模块和方法论至关重要。你经常需要花费大量时间浏览文档，为常见评估编写样板代码 (Boilerplate Code)，并努力维持清晰的项目结构。

Skore 就是那位指挥家，它将你的数据科学流水线 (Pipeline) 转化为结构化的、有意义的工件 (Artifacts)。它减少了你在文档导航上花费的时间，消除了样板代码，并引导你获取正确的方法论信息以回答你的问题。

Skore 为你做的事情：

• 结构化你的实验：自动生成对你使用场景至关重要的洞察
• 减少样板代码：一行代码即可实现全面的模型评估
• 指导你的决策：内置的方法论警告帮助你避免常见陷阱
• 保持清晰性：结构化的项目组织使你的工作更易于理解和维护

⭐ 请用 Star 支持我们并传播消息 - 这意义重大！⭐

🧩 什么是 Skore？

Skore 的核心使命是将非结构化的机器学习 (Machine Learning) 开发转化为结构化的、有效的决策制定。它由两个互补的组件组成：

• Skore Lib：开源 Python 库（此处描述！），为你的数据科学实验提供结构化工件和方法论指导。
• Skore Hub：协作平台，团队可以在其中共享、比较并基于彼此的结构化实验进行构建。更多详情请访问我们的 产品页面。

⚡️ 快速开始

安装

使用 pip

我们建议使用 虚拟环境 (venv)。你需要 python>=3.10。

然后，你可以使用 pip 安装 skore：

# 如果你计划本地使用 Skore
pip install -U skore
# 如果你也希望与 Skore Hub 交互
pip install -U skore[hub]
# 如果你希望将项目记录到 MLflow
pip install -U skore[mlflow]

使用 conda

skore 在 conda-forge 中可用，适用于本地和 Hub 使用：

conda install conda-forge::skore

你可以在 这里 找到关于最新版本的信息。

从你的机器学习流水线 (ML Pipeline) 获取结构化洞察

在一行代码内评估你的模型并获得全面洞察：

from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from skore import CrossValidationReport

X, y = make_classification(n_classes=2, n_samples=100_000, n_informative=4)
clf = LogisticRegression()

# 获取对你使用场景至关重要的结构化洞察
cv_report = CrossValidationReport(clf, X, y)

# 查看可用的洞察
cv_report.help()

# 示例：访问指标摘要
metrics_summary = cv_report.metrics.summarize().frame()

# 示例：获取 ROC 曲线
roc_plot = cv_report.metrics.roc()
roc_plot.plot()

在我们的 文档 中了解更多。

🛠️ 贡献

加入我们的使命，推广开源并使机器学习开发更加稳健和高效。如果你想贡献，请查看贡献指南 这里。

👋 反馈与社区

• 加入我们的 Discord 分享想法或获取支持。
• 通过 GitHub Issues 请求功能或报告错误。

支持

Skore 在 Linux 和 Windows 上进行了测试，针对最多 4 个版本的 Python 和最多 4 个版本的 scikit-learn：

• Python 3.10
  • scikit-learn 1.5
  • scikit-learn 1.7
• Python 3.11
  • scikit-learn 1.5
  • scikit-learn 1.8
• Python 3.12
  • scikit-learn 1.5
  • scikit-learn 1.8
• Python 3.13
  • scikit-learn 1.5
  • scikit-learn 1.6
  • scikit-learn 1.7
  • scikit-learn 1.8

---

由以下人员提供

skore 快速上手指南

skore 是一款用于跟踪数据科学项目的工具，旨在通过内置的最佳实践提升机器学习开发效率。它能将实验转化为结构化的成果，减少样板代码，并指导决策。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux 或 Windows
• Python 版本：>= 3.10（支持 3.10, 3.11, 3.12, 3.13）
• 依赖管理：建议使用虚拟环境（venv）隔离依赖

2. 安装步骤

使用 pip 安装

推荐使用虚拟环境进行安装。根据您的需求选择相应的命令：

# 仅本地使用
pip install -U skore

# 如需与 Skore Hub 交互
pip install -U skore[hub]

# 如需将项目记录到 MLflow
pip install -U skore[mlflow]

使用 conda 安装

skore 也提供于 conda-forge 通道中：

conda install conda-forge::skore

3. 基本使用

skore 的核心功能是通过一行代码获取模型的综合评估洞察。以下是基于 CrossValidationReport 的最小化示例：

from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from skore import CrossValidationReport

X, y = make_classification(n_classes=2, n_samples=100_000, n_informative=4)
clf = LogisticRegression()

# 获取针对您用例的结构化洞察
cv_report = CrossValidationReport(clf, X, y)

# 查看可用的洞察内容
cv_report.help()

# 示例：访问指标摘要
metrics_summary = cv_report.metrics.summarize().frame()

# 示例：获取 ROC 曲线
roc_plot = cv_report.metrics.roc()
roc_plot.plot()

更多详细信息请参阅 官方文档。