Релиз Scikit-learn 1.9 приносит значительные улучшения в существующие модели машинного обучения. Легко заметные улучшения включают более богатые HTML-отображения в ноутбуках, которые теперь показывают подогнанные атрибуты и имена выходных признаков ColumnTransformer. Введен новый экспериментальный механизм обратного вызова, позволяющий отображать индикаторы выполнения и расширенный мониторинг во время обучения модели. Эта система обратных вызовов предназначена для гибкого отслеживания прогресса, даже в средах параллельных вычислений. Изначально обратные вызовы доступны для логистической регрессии, объектов GridSearchCV, конвейеров и StandardScaler. Релиз также фокусируется на улучшенной статистике и численности, повышая надежность процедур scikit-learn для различных входных данных и вариантов моделирования. Древовидные модели теперь имеют нативную поддержку пропущенных значений и монотонных ограничений. Линейные модели выигрывают от поддержки float32 в логистической регрессии и улучшенной стабильности в RidgeCV/ClassifierCV. Scikit-learn теперь возвращает разреженные массивы вместо разреженных матриц, что соответствует развивающимся практикам SciPy. Поддержка GPU расширяется: логистическая регрессия, пуассоновская регрессия и определенные метрики получают ускорение на GPU. Хотя опыт пользователей с GPU-бэкендами все еще развивается, это является отличной областью для участия контрибьюторов. Проект Scikit-learn процветает благодаря вкладу волонтеров и финансовых спонсоров.