Les nouveautés de scikit-learn 1.9 : callbacks, tableaux creux, GPU et les dépréciations à corriger

scikit-learn 1.9 est sorti en juin 2026, et la version corrective 1.9.1 a suivi en septembre. C'est la bibliothèque derrière l'essentiel du machine learning classique en Python : régression, classification, clustering et les pipelines qui les entourent. Cette version porte moins sur de nouveaux algorithmes que sur l'expérience d'utilisation : vous pouvez enfin suivre la progression de l'entraînement, plus de modèles tournent sur GPU et plusieurs défauts de longue date sont corrigés. Elle lance aussi le compte à rebours d'une série de dépréciations qui deviendront des erreurs en 1.11.

pip install --upgrade scikit-learn

Callbacks : voyez vos modèles s'entraîner

Une longue recherche par grille était une boîte noire : on la lançait et on attendait. scikit-learn 1.9 ajoute une API de callbacks expérimentale, pour que les estimateurs indiquent ce qu'ils font pendant fit. Elle est livrée avec deux callbacks, sklearn.callback.ProgressBar et sklearn.callback.ScoringMonitor, et gère la progression imbriquée, même quand le travail tourne en parallèle.

Des tableaux creux au lieu des matrices creuses

SciPy passe des matrices creuses aux tableaux creux, qui se comportent davantage comme des tableaux NumPy (par exemple, * signifie multiplication élément par élément, pas produit matriciel). scikit-learn peut désormais renvoyer l'un ou l'autre. La valeur par défaut reste "spmatrix", et le passage à "sparray" est prévu dans quelques versions : autant l'essayer dès maintenant.

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"

Des modèles plus rapides et plus justes

Autres nouveautés : l'affichage des estimateurs entraînés dans les notebooks montre désormais les attributs ajustés, et la vue de ColumnTransformer montre comment les colonnes de sortie sont assemblées. narwhals devient une dépendance et gère la sortie en dataframe, si bien que set_output(transform="polars") et la sortie pandas sont plus cohérentes.

Davantage de scikit-learn sur GPU

Grâce au standard array API, scikit-learn peut exécuter certains estimateurs directement sur des tableaux PyTorch ou CuPy, sur GPU, sans conversion vers NumPy. La 1.9 ajoute LogisticRegression et PoissonRegressor (avec le solveur lbfgs), Nystroem, FeatureUnion quand toutes ses étapes le permettent, et d'autres métriques comme l'average precision.

Dépréciations à corriger avant la 1.11

Elles génèrent des avertissements en 1.9 et cesseront de fonctionner en 1.11. Chacune se corrige simplement :

# 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))

Vous mettez à jour votre stack Python cet automne ? Lisez le guide de migration vers pandas 3.0, les nouveautés de Python 3.15 et préparez des environnements propres avec uv.

Sources : le blog scikit-learn « release 1.9 » (12 juin 2026) et les notes de version de scikit-learn 1.9, y compris la 1.9.1 (septembre 2026).

Alessandro Ecclesie AgazziÉcrit par Alessandro Ecclesie Agazzi, analytics engineer à Londres. Mis à jour le 17 octobre 2026. À propos