Scikit-learn 1.9 版本为现有机器学习模型带来了显著改进。易于观察的增强包括 Notebook 中更丰富的 HTML 显示，现在可展示拟合属性以及 ColumnTransformer 输出的特征名称。引入了一种新的实验性回调机制，允许在模型训练期间显示进度条并进行高级监控。该回调系统设计用于灵活跟踪进度，即使在并行计算环境中也是如此。初始阶段，回调功能适用于逻辑回归、SearchCV 对象、Pipeline 和 StandardScaler。该版本还专注于改进统计与数值计算，增强了 scikit-learn 例程在不同输入和建模选择下的可靠性。基于树的模型现在原生支持缺失值和单调约束。线性模型受益于逻辑回归中的 float32 支持以及 RidgeCV/ClassifierCV 的稳定性提升。scikit-learn 现在返回稀疏数组而非稀疏矩阵，以顺应 SciPy 实践的演变。GPU 支持正在扩展，逻辑回归、泊松回归以及特定指标已获得 GPU 加速。尽管用户与 GPU 后端的使用体验仍在发展中，但这为贡献者提供了重要的参与领域。scikit-learn 项目的发展依赖于志愿者的贡献以及资金赞助者的支持。