Neu in scikit-learn 1.9: Callbacks, Sparse Arrays, GPU-Unterstützung und die Deprecations, die Sie beheben sollten

scikit-learn 1.9 erschien im Juni 2026, das Bugfix-Release 1.9.1 folgte im September. Es ist die Bibliothek hinter dem Großteil des klassischen Machine Learning in Python: Regression, Klassifikation, Clustering und die Pipelines drumherum. In diesem Release geht es weniger um neue Algorithmen als um das Arbeiten damit: Sie können endlich den Trainingsfortschritt verfolgen, mehr Modelle laufen auf der GPU, und mehrere altbekannte Eigenheiten sind behoben. Zugleich beginnt der Countdown für eine Reihe von Deprecations, die in 1.11 zu Fehlern werden.

pip install --upgrade scikit-learn

Callbacks: Sehen Sie Ihren Modellen beim Training zu

Eine lange Grid Search war bisher eine Blackbox: starten und warten. scikit-learn 1.9 führt eine experimentelle Callback-API ein, damit Estimatoren während fit berichten können, was sie gerade tun. Mitgeliefert werden zwei Callbacks, sklearn.callback.ProgressBar und sklearn.callback.ScoringMonitor, und verschachtelter Fortschritt wird unterstützt, auch bei paralleler Ausführung.

Sparse Arrays statt Sparse-Matrizen

SciPy wechselt von Sparse-Matrizen zu Sparse-Arrays, die sich eher wie NumPy-Arrays verhalten (zum Beispiel bedeutet * elementweise Multiplikation, nicht Matrixmultiplikation). scikit-learn kann jetzt beides liefern. Standard ist weiterhin "spmatrix", der Wechsel zu "sparray" ist für eines der nächsten Releases geplant. Es lohnt sich also, es schon jetzt auszuprobieren:

import sklearn
sklearn.set_config(sparse_interface="sparray")

# From here on, scikit-learn returns SciPy sparse arrays
# (for example csr_array) wherever it supports the new setting.
print(sklearn.get_config()["sparse_interface"])   # "sparray"

Schnellere und genauere Modelle

Außerdem neu: Die Notebook-Anzeige trainierter Estimatoren zeigt jetzt die gelernten Attribute, und die Ansicht von ColumnTransformer zeigt, wie die Ausgabespalten zusammengesetzt werden. narwhals ist jetzt eine Abhängigkeit und übernimmt die DataFrame-Ausgabe, sodass set_output(transform="polars") und die pandas-Ausgabe einheitlicher funktionieren.

Mehr scikit-learn auf der GPU

Über den Array-API-Standard kann scikit-learn manche Estimatoren direkt auf PyTorch- oder CuPy-Arrays auf der GPU ausführen, ohne Umwandlung nach NumPy. Version 1.9 ergänzt LogisticRegression und PoissonRegressor (mit dem Solver lbfgs), Nystroem, FeatureUnion, wenn alle Schritte es unterstützen, sowie weitere Metriken wie die Average Precision.

Deprecations, die Sie vor 1.11 beheben sollten

Diese erzeugen in 1.9 Warnungen und funktionieren in 1.11 nicht mehr. Jede lässt sich einfach beheben:

# Deprecated: SVC(probability=True) is not thread-safe
from sklearn.svm import SVC
from sklearn.calibration import CalibratedClassifierCV

clf = CalibratedClassifierCV(SVC(), ensemble=False)
clf.fit(X_train, y_train)
proba = clf.predict_proba(X_test)

from sklearn.metrics import log_loss

# Deprecated: log_loss(y_test, proba) via y_pred
score = log_loss(y_test, y_proba=proba)

from sklearn.linear_model import LogisticRegressionCV

# The default scoring changes from accuracy to "neg_log_loss" in 1.11.
# Set it explicitly to keep today's behaviour and silence the warning.
model = LogisticRegressionCV(scoring="accuracy")

from sklearn.preprocessing import TargetEncoder
from sklearn.model_selection import KFold

# shuffle and random_state are deprecated: pass a CV splitter instead
enc = TargetEncoder(cv=KFold(n_splits=5, shuffle=True, random_state=0))

Aktualisieren Sie diesen Herbst Ihren Python-Stack? Lesen Sie den Upgrade-Leitfaden für pandas 3.0, die Neuerungen in Python 3.15 und richten Sie saubere Umgebungen mit uv ein.

Quellen: der scikit-learn-Blog „release 1.9“ (12. Juni 2026) und die Release Notes zu scikit-learn 1.9, einschließlich 1.9.1 (September 2026).

Alessandro Ecclesie AgazziGeschrieben von Alessandro Ecclesie Agazzi, Analytics Engineer in London. Aktualisiert am 17 Oktober 2026. Über mich