用途：分类建模用于预测离散类别目标，把观测按输入特征归入不同类别，适用场景包括客户流失、贷款违约、垃圾邮件、产品类型或情感分类、信用评分与风险评估、疾病诊断、购买倾向预测，以及欺诈、异常或生产质量缺陷检测。分类类型包括二分类、多分类与多标签。
主要能力：文档给出常见算法，包括逻辑回归、决策树、随机森林、梯度提升、SVM 与朴素贝叶斯；关键指标覆盖准确率、精确率、召回率、F1 与 AUC-ROC。实现部分以 Python 为例，使用 pandas、numpy、matplotlib、seaborn 与 scikit-learn，包含 make_classification 生成样本、train_test_split 划分、StandardScaler 标准化、四种模型训练与预测，并绘制混淆矩阵、ROC 曲线、精确率-召回率曲线、特征重要性与概率校准曲线，最后输出模型对比表与交叉验证结果。
使用方式：按示例流程准备数据、划分训练测试集、按模型需要标准化特征、训练并预测，再用 classification_report、roc_auc_score、f1_score、accuracy_score 等评估，并结合混淆矩阵与曲线比较模型。文档还给出类别不平衡处理思路，如过采样、欠采样、SMOTE 与类别权重，以及阈值选择策略，包括默认 0.5、按业务需求自定义、以最大化 F1 或 AUC 为目标。
适用场景与限制：适合需要分类预测并关注评估与可解释性的建模任务。资料未提供具体安装命令、依赖版本、运行环境要求、数据规模限制、模型调参细节、部署方式、收费或价格信息。该页面为提示/教程类内容，示例代码需结合自身数据调整，不能直接视为生产级方案。