用途
本技能面向机器学习开发全流程，覆盖从实验到生产部署的完整生命周期。当需要构建机器学习管道、进行特征工程与数据预处理、训练与选择模型、超参数调优、模型部署与服务、ML 实验追踪与版本管理、以及生产环境 ML 监控与维护时，可使用本技能。
主要能力
1. 问题定义
支持多种问题类型：二分类（如垃圾邮件识别）、多分类（图像类别）、多标签分类（文档标签）、回归（价格预测）、聚类（客户分群）、排序（搜索结果）、异常检测（欺诈检测）。并给出各问题类型的主要与次要成功指标：二分类常用 AUC-ROC、F1，辅助 Precision、Recall、PR-AUC；多分类常用 Macro F1、Accuracy 与各类别指标；回归常用 RMSE、MAE，辅助 R²、MAPE；排序常用 NDCG、MAP，辅助 MRR；聚类常用 Silhouette、Calinski-Harabasz，辅助 Davies-Bouldin。
2. 数据准备
数据质量检查包括：缺失值分析与插补策略、异常值检测与处理、数据类型校验、分布分析、目标泄漏检测。特征工程模式覆盖：数值型（缩放、分箱、对数变换、多项式特征）、类别型（独热、目标编码、频率编码、嵌入）、时间型（滞后特征、滚动统计、周期性编码）、文本（TF-IDF、词嵌入、Transformer 嵌入）、地理空间（距离特征、聚类、网格编码）。训练/测试切分策略包括：随机切分、分层切分（类别不平衡）、基于时间的切分（时序数据）、分组切分（防止数据泄漏）、K 折交叉验证。
3. 模型选择
按数据规模与问题类型给出算法选择指南：小数据（<10K）分类可选逻辑回归、SVM、随机森林；小数据回归可选线性回归、Ridge、SVR；中等规模（10K-1M）分类与回归可选 XGBoost、LightGBM、神经网络；大规模（>1M）可选深度学习与分布式训练；表格数据常用梯度提升（XGBoost、LightGBM、CatBoost）；图像分类常用 CNN、ResNet、EfficientNet、Vision Transformers；文本 NLP 常用 Transformer（BERT、RoBERTa、GPT）；时序序列常用 LSTM、Transformer、Prophet。
4. 模型训练
超参数调优方法包括：网格搜索（穷举，适合小空间）、随机搜索（高效，适合大空间）、贝叶斯优化（智能探索，如 Optuna、Hyperopt）、早停（防止过拟合）。并列出常用超参数：XGBoost 的 learning_rate、max_depth、n_estimators、subsample；LightGBM 的 num_leaves、learning_rate、n_estimators、feature_fraction；随机森林的 n_estimators、max_depth、min_samples_split；神经网络的 learning_rate、batch_size、层数、dropout。
5. 模型评估
评估最佳实践：最终评估始终使用留出测试集，开发阶段使用交叉验证，检查过拟合（训练与验证差距），多指标评估，定性分析错误。不平衡数据处理包括：重采样（SMOTE、欠采样）、类别权重（加权损失函数）、阈值调优（优化决策阈值）、评估（优先使用 PR-AUC 而非 ROC-AUC）。
6. 生产部署
模型服务模式：REST API（Flask、FastAPI、TF Serving）、批量推理（定时任务）、流式（实时预测）、边缘部署（移动端、IoT）。生产考量包括：延迟要求（p50、p95、p99）、吞吐量（每秒请求数）、模型大小与内存占用、降级策略、A/B 测试框架。
7. 监控与维护
监控内容包括：预测延迟、输入特征分布（数据漂移）、预测分布（概念漂移）、模型性能指标、错误率与错误类型。重训触发条件包括：性能低于阈值、检测到显著数据漂移、定时重训（每日、每周）、有新的训练数据可用。
MLOps 最佳实践
实验追踪需记录：代码版本（git commit）、数据版本（哈希或版本 ID）、超参数、指标（训练、验证、测试）、模型产物、环境（包与版本）。模型版本管理示例目录结构：models/ 下包含 model_v1.0.0/（model.pkl、metadata.json、requirements.txt、metrics.json）、model_v1.1.0/、model_v2.0.0/。ML 的 CI/CD：持续集成包含数据校验测试、模型训练测试、性能回归测试；持续部署包含预发环境验证、影子模式测试、渐进式发布（金丝雀）、自动回滚。
参考文件
可按需加载详细模式与代码示例：references/preprocessing.md（数据预处理与特征工程技术）、references/model_patterns.md（模型架构模式与实现示例）、references/evaluation.md（综合评估策略与指标）。
与其他技能集成
performance（优化推理延迟）、testing（ML 专属测试模式）、database-optimization（特征存储查询）、debugging（模型调试与错误分析）。
限制
具体价格、收费模式、平台兼容性、安装命令与使用步骤暂未提供。