从2007年发展至今的Python机器学习函数库Scikit-learn，终于发布1.0版本，这代表该版本已经拥有足够的稳定性，用户已经可用于生产环境中。的确，官方在第一个主要版本，把更新重点摆在稳定性，使多项用户常用功能更加强健，并让Scikit-learn可以应对更多复杂使用场景。
而在功能更新上，第一项scikit-learn的重要更新便是关键字参数，官方解释，scikit-learn API提供许多需要输入大量参数的函数和方法，但是过多的参数常会造成混淆，阅读程序代码的人需要搞懂每个参数的位置和意义。
而官方为了提高scikit-learn程序代码的可读性，现在用户需要提供大多数参数的名称，作为关键字参数，而非原本以位置作为识别方法的位置参数。这样的改动更具可读性，位置参数从0.23版本已经被弃用，现在则会出现类型错误。
另外，官方在新类别SGDOneClassSVM，加入了使用随机梯度下降方法，实例的One-Class SVM线上线性版本OneClassSVM。One-Class SVM是用来检测异常资料的算法，而结合核心逼近技术，SGDOneClassSVM可用来逼近在OneClassSVM中，实例的核心化One-Class SVM的解，其运算时间的复杂度和样本数量呈线性关系。
官方提到，由于核心化One-Class SVM的复杂度，最好为样本的二次方，所以SGDOneClassSVM适合用于样本数大于一万的大量训练资料集，其中的SGD变体能够快上几个数量级。