scikit-learn 1.9 發布：新增 Callback API 與 Polars 資料框架支援強化

作者：默思編輯部　發布：2026-07-17

機器學習界的長青樹持續進化

scikit-learn 作為 Python 機器學習生態系裡歷史最悠久、應用最廣泛的函式庫之一，2026 年 6 月釋出的 1.9 版本，帶來幾項相當實用的更新，反映出這個專案即使在深度學習當道的時代，依然持續針對日常機器學習工作流程的痛點做出改善。

最大亮點：全新的 Callback API

這次最受矚目的新功能，是全新的 Callback API——讓開發者能在模型訓練（fitting）過程中,插入回呼函式來監控訓練狀態,官方也內建了兩個現成的回呼函式：sklearn.callback.ProgressBar（顯示訓練進度條）與 sklearn.callback.ScoringMonitor（在每次迭代結束時計算並記錄評分指標）。這填補了 scikit-learn 過去一個長期被詬病的痛點——訓練一個模型時，往往只能等到整個流程跑完才知道結果，中途缺乏即時的進度回饋，尤其在處理大型資料集、訓練時間較長的情境下,這種「黑盒子」式的等待體驗並不理想。

對 Polars 生態系的支援強化

scikit-learn 這次新增了一個名為 narwhals 的輕量相依套件，用來簡化對 pandas 與 Polars 這兩種資料框架格式的輸入輸出支援——這代表愈來愈多使用 Polars（前面提到效能大幅領先 pandas 的新一代資料處理函式庫）的開發者,現在能更順暢地把 Polars DataFrame 直接餵給 scikit-learn 的模型訓練流程，不需要額外手動轉換成 pandas 格式，減少了資料處理管線中不必要的轉換步驟與效能損耗。

其他值得注意的更新

• 稀疏矩陣介面設定：新增 sparse_interface 設定選項，讓開發者能選擇函式回傳的稀疏物件格式（SciPy 稀疏矩陣或稀疏陣列），可以透過 sklearn.set_config(sparse_interface="sparray") 切換。
• 強化的 HTML 顯示：在 Notebook 環境中顯示模型（estimator）資訊時，現在能直接看到已訓練完成的屬性內容，不需要額外呼叫程式碼查詢。
• GPU 支援擴大：這次新增支援 GPU 加速的模型包括採用 LBFGS 求解器的邏輯迴歸（Logistic Regression）與帕松迴歸（Poisson Regression）。

對開發者的實務意義

對於用 Python 做機器學習開發的資料科學家與工程師而言，Callback API 的加入代表訓練流程的可觀測性（observability）明顯提升——尤其是在生產環境的訓練管線裡，能夠即時監控訓練進度與指標，對及早發現異常（例如指標不收斂、訓練時間異常拉長）非常實用，值得在升級後優先評估導入既有的訓練流程裡。