scikit-learn (antes conocido como scikits.learn, también llamado sklearn) es una biblioteca de aprendizaje automático gratuita y de código abierto para el lenguaje de programación Python. Incluye diversos algoritmos de clasificación, regresión y agrupamiento, como máquinas de vectores de soporte, bosques aleatorios, potenciación de gradiente, k-medias y DBSCAN, y está diseñada para interoperar con las bibliotecas numéricas y científicas de Python, NumPy y SciPy. El proyecto es un proyecto patrocinado fiscalmente por NumFOCUS y es uno de los marcos de aprendizaje automático más adoptados en el mundo, particularmente para tareas de aprendizaje clásico (no profundo).
La biblioteca proporciona una interfaz consistente para construir y evaluar modelos predictivos, lo que la convierte en un punto de entrada común al aprendizaje automático. El diseño de su API se centra en los métodos estimator.fit() y estimator.predict(), lo que permite a los usuarios cambiar entre algoritmos con cambios mínimos en el código.
Historia
El proyecto comenzó como scikits.learn, una iniciativa de Google Summer of Code del científico de datos francés David Cournapeau en 2007. El nombre deriva de su papel como kit de herramientas científico para el aprendizaje automático, distribuido originalmente como una extensión de terceros para SciPy. En 2010, los colaboradores Fabian Pedregosa, Gaël Varoquaux, Alexandre Gramfort y Vincent Michel del Instituto Francés de Investigación en Informática y Automatización en Saclay asumieron el liderazgo, publicando la primera versión pública el 1 de febrero de 2010.
El proyecto se convirtió en un proyecto patrocinado por NumFOCUS y para 2019 contaba con más de 1.400 colaboradores, con documentación que recibió 42 millones de visitas en 2018. Una encuesta de Kaggle de 2022 entre casi 24.000 encuestados de 173 países lo identificó como el marco de aprendizaje automático más utilizado. La primera versión estable, la 1.0.0, apareció el 24 de septiembre de 2021, tras más de 2.100 solicitudes de extracción fusionadas.
Implementación y diseño
scikit-learn está escrito principalmente en Python, y depende de NumPy para el álgebra lineal de alto rendimiento. Algunos algoritmos centrales están implementados en Cython para mayor velocidad. Las máquinas de vectores de soporte utilizan un envoltorio de Cython alrededor de LIBSVM; la regresión logística y las máquinas de vectores de soporte lineales utilizan un envoltorio similar alrededor de LIBLINEAR. Interopera con el ecosistema científico de Python, incluidos SciPy, Pandas, Matplotlib y plotly.
La biblioteca proporciona una interfaz de estimador consistente: fit() entrena un modelo y predict() genera salidas. También ofrece utilidades para tareas comunes de ciencia de datos, como la división en conjuntos de entrenamiento y prueba, la validación cruzada y la búsqueda en cuadrícula, junto con un mecanismo de Pipeline para estructurar declarativamente flujos de trabajo de preprocesamiento de datos y ajuste de modelos.
La versión más reciente, la 1.8, publicada el 10 de diciembre de 2025, añadió soporte nativo para Array API, lo que permite cálculos con GPU directamente mediante arreglos de PyTorch y CuPy. Esta versión también mejoró la eficiencia del ajuste de modelos lineales.
Algoritmos y capacidades
scikit-learn incluye un amplio catálogo de algoritmos establecidos para clasificación, regresión y agrupamiento. Estos incluyen máquinas de vectores de soporte, bosques aleatorios, potenciación de gradiente, k-medias y DBSCAN. Proporciona métodos consistentes en todos los estimadores: fit() para entrenamiento y predict() para inferencia, que bibliotecas como XGBoost y LightGBM han adoptado.
La biblioteca también ofrece métodos de utilidad para tareas comunes de ciencia de datos, incluida la división de datos en conjuntos de entrenamiento y prueba, la validación cruzada y la búsqueda en cuadrícula. Su clase Pipeline permite estructurar declarativamente flujos de trabajo de ciencia de datos, combinando pasos de preprocesamiento con el ajuste de modelos.
Algoritmos clave e integraciones
Las máquinas de vectores de soporte se implementan mediante un envoltorio de Cython alrededor de LIBSVM, mientras que la regresión logística y las máquinas de vectores de soporte lineales utilizan un envoltorio similar alrededor de LIBLINEAR. La biblioteca se integra con otras herramientas de Python, incluidas Matplotlib y Plotly para visualización, pandas para manipulación de datos y SciPy para computación científica.
En implementaciones del mundo real, scikit-learn suele ubicarse junto a Pandas y Numpy para el manejo de datos.