必须用sklearn.__version__精确锁定版本并隔离环境，固定random_state与np.random.seed()控制随机性，分测fit/predict耗时与内存，警惕api隐性变更导致结果不可比。
用 sklearn.__version__ 精确锁定测试环境
不同版本的 scikit-learn 可能在算法实现、默认参数、底层依赖（如 threadpoolctl 或 numpy 版本）上存在差异，直接比对结果不可靠。必须确保每次测试都明确知道运行的是哪个版本，且环境隔离。不要依赖全局 Python 环境——用 conda create -n sklearn-1.2.2 python=3.9 scikit-learn=1.2.2 和 conda create -n sklearn-1.4.0 python=3.9 scikit-learn=1.4.0 分别建两个干净环境。进入对应环境后，第一行代码就该是 import sklearn; print(sklearn.__version__)，确认无误再跑实验。
控制随机性：固定 random_state 和 np.random.seed()
模型训练、数据划分、特征缩放（如 StandardScaler 的 fit 过程）都可能引入随机性。仅设 random_state=42 不够——某些旧版 sklearn 对 random_state 的处理逻辑有 bug（比如 RandomForestClassifier 在 1.0.2 中对负数 seed 的解析异常）。实操建议：
- 统一用非负整数
random_state=42（避免边界问题） - 在每次训练前加
import numpy as np; np.random.seed(42) - 若用
train_test_split，显式传入random_state=42，不要依赖全局 seed - 注意：
sklearn>=1.2开始，部分 estimator 内部会覆盖np.random.seed()，所以双重保险更稳
测性能不能只看 fit() 时间：关注 predict() 和内存驻留行为
新版 sklearn 常优化训练速度，但可能增加预测开销（比如 HistGradientBoostingClassifier 在 1.0+ 中改用更紧凑的树结构，predict() 更快，但 fit() 内存占用翻倍）。实操时必须分开测量：
- 用
time.perf_counter()包裹model.fit(X_train, y_train)和model.predict(X_test)，各跑 5 次取中位数 - 用
psutil.Process().memory_info().rss在fit()前后采样，观察峰值内存 - 特别注意
pipeline场景：新版ColumnTransformer（≥1.2）默认启用remainder='drop'，若旧版代码没显式设remainder='passthrough'，会导致输入维度不一致，直接报错ValueError: X has 10 features, but ColumnTransformer is expecting 8 features
警惕 API 兼容性断裂点：从 1.0 到 1.3+ 的隐性变更
不是所有“不报错”的调用都等价。例如：
-
LogisticRegression(solver='liblinear')在sklearn>=1.2中已被弃用，实际降级为'lbfgs'，但不会警告——你测出来的精度/收敛速度变化，其实是 solver 悄悄换了 -
cross_val_score的scoring参数：旧版接受字符串如'f1_weighted'，新版要求完整对象make_scorer(f1_score, average='weighted')，否则静默回退到默认'accuracy' -
OneHotEncoder(handle_unknown='ignore')在1.0后改为默认drop=None，若旧代码依赖drop='first'但没显式写，新版行为会变，影响后续模型输入维度
真正难控的不是时间差异，而是这些不抛异常、却让结果“看起来合理实则不可比”的细节。每次升级前，先跑一遍 sklearn.utils.estimator_checks.check_estimator，再人工核对关键 estimator 的 get_params() 输出是否一致。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
