以下是根据您的要求改写的原文内容：

本次访谈是与 Scikit-learn 核心开发者 Andreas Muller 的深度对话，访谈由 Haebichan Jung 主持，他在 TowardsDataScience 担任项目负责人，并在旧金山的 Recurly 担任数据科学家。

Haebichan Jung：开源社区是如何维护 Scikit-learn 的？这个复杂的库是如何运作和管理的？

Andreas Muller：首先，用户是关键。大多数贡献者最初都是用户，如果没有实际使用该软件包，他们不会有动力去贡献。其次，大多数重要的贡献都来源于实际使用场景。有些功能是我自己为了使用而开发的，这些通常是最优秀的版本。我们尽量避免过度迎合特定用例。此外，对于复杂项目如 Scikit-learn，一开始添加新功能可能会带来问题。很多人想把自己喜欢的模型加入进来，但如今加入一个新模型需要大约一年的时间。因此，我建议从简单的任务开始，比如改善文档。文档的改进总能得到欢迎，也有很多关于问题跟踪的讨论。

Haebichan Jung：在使用 Scikit-learn 进行机器学习的过程中，你观察到了哪些常见的错误或低效率的操作？

Andreas Muller：通常有两类常见错误。一是不使用管道，如果你不使用管道，很可能存在某些错误。两年前，我们引入了列转换器，使处理连续和分类变量变得更容易。另一个常见错误是对评估指标的关注不够。Scikit-learn 默认使用准确率作为评估指标，但在不平衡数据集的情况下，准确率可能不是一个好的目标。因此，建议考虑使用其他评估指标，如 ROC 曲线下面积（AUC）或平均精确率（AP），它们更适合处理不平衡数据集。

Haebichan Jung：在 Scikit-learn 中，有哪些功能或工具你觉得没有被充分利用？

Andreas Muller：Hist 梯度增强是一个值得关注的功能。它是一种快速实现梯度增强的方法，比 XGBoost 快，但比 LightGBM 慢。目前它还不支持缺失值处理，但这一功能将在两周后的更新中推出。此外，它也不支持分类变量，但该功能预计将在明年春天发布。

Haebichan Jung：你提到了 LightGBM 和其他新兴的 Python 机器学习库，如 CatBoost 和 PyTorch。你如何看待这些库的发展？它们的竞争是否对 Scikit-learn 构成了威胁？

Andreas Muller：我认为多样性是有益的。许多新兴库提供了类似于 Scikit-learn 的接口，因此与我们的库兼容。尽管 Scikit-learn 使用广泛，但开发速度较慢。XGBoost 和 LightGBM 因其高效而受到欢迎。我们希望更多人知道这些库的价值，并将它们集成到 Scikit-learn 中。至于深度学习库，它们可以更快地迭代，因为我们的开发速度相对较慢。不过，我们面临资源有限的问题，难以与大型科技公司竞争。另外，实现跨平台的 GPU 支持仍然具有挑战性，这使得我们在添加复杂功能时更加谨慎。

Haebichan Jung：你在哥伦比亚大学的讲座中提到，解决不平衡数据问题的两种主要方法是欠采样和过采样，以及改变模型训练程序。每种方法的优点和缺点是什么？

Andreas Muller：重要的是要明确你的目标是什么，而不是单纯追求准确率或 ROC-AUC。你的目标应该是在具体应用场景中生成预期的结果。一旦确定了目标，你可以定义合适的评估指标，尝试不同的方法来优化这些指标。欠采样是一种有效的技术，尤其是当你有大量的数据时，可以显著减少数据集大小而不影响结果。然而，合成数据生成（如 SMOTE）的效果并不总是明显，而且可能会影响性能。另一方面，改变模型训练程序，如调整类权重，可以提高少数类的权重，从而提高模型性能。但这种方法同样需要合适的评估指标来衡量效果。

Haebichan Jung：你对 SMOTE 的看法似乎与很多人不同。你认为原因是什么？

Andreas Muller：很多情况下，机器学习的许多实践是经验性的。如果在多个数据集上尝试某项技术但没有明显效果，那么这项技术可能并不适用。关于 SMOTE，我认为它对数据分布做了某些假设，这可能导致某些情况下效果不佳。此外，合成数据生成不一定对所有模型都有帮助。

希望这段改写后的文本符合您的需求。