Le novità di scikit-learn 1.9: callback, sparse array, supporto GPU e le deprecazioni da sistemare

scikit-learn 1.9 è uscito a giugno 2026, e la release di bug fix 1.9.1 è arrivata a settembre. È la libreria dietro la maggior parte del machine learning classico in Python: regressione, classificazione, clustering e le pipeline intorno. Questa release riguarda meno i nuovi algoritmi e più l'esperienza d'uso: finalmente puoi seguire l'avanzamento dell'addestramento, più modelli girano su GPU e diversi difetti storici sono corretti. Inoltre fa partire il conto alla rovescia per una serie di deprecazioni che diventeranno errori nella 1.11.

pip install --upgrade scikit-learn

Callback: guarda i tuoi modelli mentre si addestrano

Una grid search lunga era una scatola nera: la avviavi e aspettavi. scikit-learn 1.9 aggiunge un'API di callback sperimentale, così gli estimator possono comunicare cosa stanno facendo durante fit. Include due callback pronte, sklearn.callback.ProgressBar e sklearn.callback.ScoringMonitor, e supporta l'avanzamento annidato, anche quando il lavoro gira in parallelo.

Sparse array al posto delle matrici sparse

SciPy sta passando dalle matrici sparse agli array sparsi, che si comportano più come gli array di NumPy (per esempio * significa moltiplicazione elemento per elemento, non prodotto tra matrici). scikit-learn ora può restituire entrambi. Il default è ancora "spmatrix" e il piano è passare a "sparray" tra qualche release, quindi conviene provarlo già adesso:

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"

Modelli più veloci e più accurati

Altre novità: la visualizzazione degli estimator addestrati nei notebook ora mostra gli attributi stimati, e la vista di ColumnTransformer mostra come vengono assemblate le colonne in uscita. narwhals è ora una dipendenza e gestisce l'output in dataframe, quindi set_output(transform="polars") e l'output pandas funzionano in modo più coerente.

Più scikit-learn gira su GPU

Grazie allo standard array API, scikit-learn può eseguire alcuni estimator direttamente su array PyTorch o CuPy, su GPU, senza convertirli in NumPy. La 1.9 aggiunge LogisticRegression e PoissonRegressor (con il solver lbfgs), Nystroem, FeatureUnion quando tutti i suoi passi lo supportano, e altre metriche come l'average precision.

Deprecazioni da sistemare prima della 1.11

Queste generano avvisi nella 1.9 e smetteranno di funzionare nella 1.11. Ognuna ha una soluzione semplice:

# 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))

Stai aggiornando il tuo stack Python quest'autunno? Leggi la guida all'upgrade a pandas 3.0, le novità di Python 3.15 e prepara ambienti puliti con uv.

Fonti: il blog di scikit-learn "release 1.9" (12 giugno 2026) e le note di rilascio di scikit-learn 1.9, inclusa la 1.9.1 (settembre 2026).

Alessandro Ecclesie AgazziScritto da Alessandro Ecclesie Agazzi, analytics engineer a Londra. Aggiornato il 17 ottobre 2026. Chi sono