Scikit-learn 发布 Metadata Routing 功能：实现跨库元数据路由与复杂工作流支持
更新背景
自 scikit-learn 1.3 版本以来，Metadata Routing（元数据路由）功能以实验模式逐步引入。此次更新标志着该功能已覆盖近 100% 的核心场景，并经过充分测试，正式进入成熟期。该功能旨在解决长期存在的痛点：在复杂的嵌套工作流中，关键元数据（如样本权重、分组信息）无法从外层工具（如 cross_validate）自动传递到内层模型或第三方库组件。
核心突破与功能特性
1. 全链路元数据透传机制
Metadata Routing 允许用户定义元数据在 Pipeline 中的流向。它不再局限于 sample_weight 和 groups 在单一组件内的使用，而是支持：
- 嵌套结构支持：元数据可自动穿透
GridSearchCV、Pipeline等嵌套元估计器。 - 跨库互操作性：支持将来自
fairlearn、imbalanced-learn等第三方库的元数据路由到 scikit-learn 对象，反之亦然。 - 自定义元数据：用户可定义新的自定义元数据，并指定其在特定函数或方法中的消费位置。
2. 解决数据泄露与公平性建模
在医疗、社会科学研究等场景中，数据往往存在系统性偏差（如不同医院的设备差异）。Metadata Routing 使得开发者能够：
- 利用
groups元数据配合GroupKFold进行严格的交叉验证，防止同一医院样本同时出现在训练集和验证集。 - 利用
sample_weight对特定群体进行加权，以修正观测性研究中的选择偏差（如通过逆概率加权 IPTW）。
3. 生态系统的广泛采纳
该 API 已被多个生态项目集成，包括 fairlearn、skorch、skfolio 等，形成了统一的元数据传递标准，降低了第三方库与 scikit-learn 集成的门槛。
实际应用价值
对于开发者而言，Metadata Routing 消除了手动传递元数据的繁琐过程，减少了因元数据丢失导致的模型评估偏差。对于最终用户，这意味着能够构建更加真实、公平且可解释的机器学习模型，特别是在处理非随机化试验数据时。
"Metadata Routing is a potent and flexible tool that allows users to define in detail where their metadata gets used. It enables new use cases and enhances interoperability with third-party libraries." —— Scikit-learn 官方团队
关键技术指标
- 功能状态：成熟期（Mature），覆盖度近 100%。
- 兼容性：向后兼容，默认
enable_metadata_routing=False，开启后需显式配置。 - 支持场景：嵌套 Pipeline、第三方库集成、自定义元数据路由。
- 生态覆盖：已集成于 fairlearn, imbalanced-learn, skada, skorch, skfolio。
