Scikit-Learn 1.8.0 更新引入了实验性的 Array API 支持。这意味着 CuPy 数组或 PyTorch 张量现在可以直接在 Scikit-Learn 的部分组件中直接使用了，且计算过程能保留在 GPU 上。
1.8.0 到底更新了什么？
Scikit-Learn 开始正式支持Python Array API 标准。这是一个由 NumPy、CuPy、PyTorch、JAX 等库共同维护的接口规范。在 1.8.0 版本中可以实现：
- 直接传参：受支持的评估器（estimators）现在可以直接接收 CuPy 数组或 PyTorch 张量。
- 计算分派：运算会被自动分派到对应的非 CPU 设备（如 GPU）上执行。
- 状态保留：模型拟合后的属性会与输入数据保持在同一物理设备上。
虽然目前的版本依然贴着“实验性”标签且需要显式开启，但它确实打破了 Scikit-Learn 过去那种“万物皆需 NumPy”的框架。
交叉验证
如果你平时不怎么用
cross_val_score
、
GridSearchCV
或
CalibratedClassifierCV
，那你可能感觉不到这次更新的提速。但对大多数从事肃建模的开发者来说，交叉验证一直是 GPU 的“性能杀手”。
在旧版本中，即便你的基础模型（如 XGBoost）是在 GPU 上训练的，Scikit-Learn 的编排逻辑会把数组转回 NumPy，然后在 CPU 上重新计算各项指标。这种频繁的内存搬运和 CPU 的操作浪费了大量的时间，但是Array API 的加入让这种循环能基本闭环在 GPU 内部运行。
开启方式与限制
启用这项特性需要完成下面的配置。如果漏掉任何一步，程序都会悄悄退回到 NumPy 模式。
环境变量设置（必须在导入 SciPy 或 Scikit-Learn 之前）：
importos
os.environ["SCIPY_ARRAY_API"] ="1"
配置 Scikit-Learn 内部开关：
fromsklearnimportset_config
set_config(array_api_dispatch=True)
目前还有一个问题，就是不支持 cuDF DataFrames。但是你依然可以用 cuDF 做数据加载和预处理，不过输入模型之前必须确保输入是 array-like 格式。也就是说类别特征必须手动编码而且且无法再依赖 pandas/cuDF 的 dtype 自动识别机制。
基于 GPU 的 XGBoost 交叉验证
下面是一个运行 5 折分层交叉验证的示例。为了让整个链路留在 GPU 上，我们需要对
XGBClassifier
做一点小的封装，并结合 cuML 的指标计算。
import os
os.environ['SCIPY_ARRAY_API'] = '1'
import cupy as cp
import cudf
from sklearn.model_selection import StratifiedKFold, cross_val_score
from sklearn.metrics import make_scorer
from cuml.metrics import roc_auc_score
from xgboost import XGBClassifier
from sklearn import set_config
set_config(array_api_dispatch=True)
# 加载数据并进行简单的预处理
X = cudf.read_csv('/kaggle/input/playground-series-s5e12/train.csv').set_index('id')
y = X.pop('diagnosed_diabetes').astype(int)
# 类别特征编码处理
cat_cols = [c for c in X.columns if X[c].dtype == 'object']
X = X.astype({c: 'category' for c in cat_cols})
for c in cat_cols:
X[c] = X[c].cat.codes
ft = ['c' if c in cat_cols else 'q' for c in X.columns]
kfold = StratifiedKFold(5, shuffle=True, random_state=0)
# 封装 XGB 以适配 CuPy 预测
class cuXGBClassifier(XGBClassifier):
@property
def classes_(self):
return cp.asarray(super().classes_)
def predict_proba(self, X):
p = self.get_booster().inplace_predict(X)
if p.ndim == 1:
p = cp.column_stack([1 - p, p])
return p
def predict(self, X):
return cp.asarray(super().predict(X))
model = cuXGBClassifier(
enable_categorical=True,
feature_types=ft,
device='cuda',
n_jobs=4,
random_state=0
)
# 执行交叉验证
scores = cross_val_score(
model,
X.values,
y.values,
cv=kfold,
scoring=make_scorer(
roc_auc_score,
response_method="predict_proba"
),
n_jobs=1
)
print(f"{scores.mean():.5f} ± {scores.std():.5f}")
虽然这段代码看起来还是需要一些修改，但它确实能让交叉验证循环保持在 GPU 上。
现阶段支持的组件
目前 Array API 的覆盖范围还在逐步扩大。在 1.8.0 中，以下组件已经具备了较好的支持：
- 预处理：
StandardScaler、PolynomialFeatures - 线性模型与校准：
RidgeCV、RidgeClassifierCV、CalibratedClassifierCV - 聚类与混合模型：
GaussianMixture
官方提供的一个基于 PyTorch 的 Ridge 管道示例显示，在处理线性代数密集型任务时，这种配置在 Colab 环境下能比单核 CPU 快出 10 倍左右。
ridge_pipeline_gpu = make_pipeline(
feature_preprocessor,
FunctionTransformer(
lambda x: torch.tensor(
x.to_numpy().astype(np.float32),
device="cuda"
)
),
CalibratedClassifierCV(
RidgeClassifierCV(alphas=alphas),
method="temperature"
),
)
with sklearn.config_context(array_api_dispatch=True):
cv_results = cross_validate(
ridge_pipeline_gpu, features, target
)
总结
Scikit-Learn 准备好完全接管 GPU 了吗？显然还没有。但这个版本意义在于，它正已经向GPU的支持迈出了第一步。目前这种方式虽然还有点“硬核”，对普通用户不够友好，但对于追求极致效率的开发者来说，Scikit-Learn 1.8.0 已经要想这个方向前进了。
https://avoid.overfit.cn/post/ab7e632896364fc3b4b9fdc9d17884e3
作者：Abish Pius
