Novedades de scikit-learn 1.9: callbacks, arrays dispersos, soporte de GPU y las obsolescencias que hay que corregir

scikit-learn 1.9 salió en junio de 2026 y la versión de correcciones 1.9.1 llegó en septiembre. Es la biblioteca detrás de la mayor parte del machine learning clásico en Python: regresión, clasificación, clustering y los pipelines que los rodean. Esta versión trata menos de algoritmos nuevos y más de la experiencia de uso: por fin puedes ver el progreso del entrenamiento, más modelos funcionan en la GPU y se corrigen varios problemas de siempre. También pone en marcha la cuenta atrás de una serie de obsolescencias que se convertirán en errores en la 1.11.

pip install --upgrade scikit-learn

Callbacks: mira cómo se entrenan tus modelos

Una búsqueda en rejilla larga era una caja negra: la lanzabas y esperabas. scikit-learn 1.9 añade una API de callbacks experimental para que los estimadores informen de lo que hacen durante fit. Incluye dos callbacks, sklearn.callback.ProgressBar y sklearn.callback.ScoringMonitor, y admite progreso anidado, incluso cuando el trabajo se ejecuta en paralelo.

Arrays dispersos en lugar de matrices dispersas

SciPy está pasando de las matrices dispersas a los arrays dispersos, que se comportan más como los arrays de NumPy (por ejemplo, * significa multiplicación elemento a elemento, no producto de matrices). scikit-learn ya puede devolver cualquiera de los dos. El valor por defecto sigue siendo "spmatrix" y el plan es cambiar a "sparray" dentro de unas versiones, así que merece la pena probarlo ya:

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"

Modelos más rápidos y más precisos

Otras novedades: la vista de los estimadores entrenados en los cuadernos muestra ahora los atributos ajustados, y la vista de ColumnTransformer muestra cómo se montan las columnas de salida. narwhals pasa a ser una dependencia y gestiona la salida en dataframes, así que set_output(transform="polars") y la salida de pandas funcionan de forma más coherente.

Más scikit-learn en la GPU

Gracias al estándar array API, scikit-learn puede ejecutar algunos estimadores directamente sobre arrays de PyTorch o CuPy en la GPU, sin convertirlos a NumPy. La 1.9 añade LogisticRegression y PoissonRegressor (con el solver lbfgs), Nystroem, FeatureUnion cuando todos sus pasos lo admiten y más métricas, como la average precision.

Obsolescencias que corregir antes de la 1.11

Generan avisos en la 1.9 y dejarán de funcionar en la 1.11. Cada una tiene una solución sencilla:

# 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))

¿Vas a actualizar tu stack de Python este otoño? Lee la guía para actualizar a pandas 3.0, las novedades de Python 3.15 y prepara entornos limpios con uv.

Fuentes: el blog de scikit-learn «release 1.9» (12 de junio de 2026) y las notas de la versión de scikit-learn 1.9, incluida la 1.9.1 (septiembre de 2026).

Alessandro Ecclesie AgazziEscrito por Alessandro Ecclesie Agazzi, analytics engineer en Londres. Actualizado el 17 de octubre de 2026. Sobre mí