用途：为科学研究提供从数据到报告的机器学习全流程支持，流程为 Data → Clean → Features → Split → Train → Evaluate → Interpret → Report。运行环境给出虚拟环境激活命令：source /Users/zhangmingda/clawd/.venv/bin/activate。
主要能力：提供模型选择指南，按任务、数据量、可解释性需求推荐模型，如小数据分类用 Logistic Regression 或 Decision Tree，中等数据用 Random Forest 或 XGBoost，大数据用 Neural Network 或 XGBoost；回归、聚类、降维、异常检测、时间序列也各有对应推荐。标准流程包含预处理、训练测试划分、Pipeline 组合缩放与模型、交叉验证、GridSearchCV 超参数调优、分类报告与 ROC AUC 评估。还覆盖特征重要性与 SHAP 解释、无监督学习（PCA、K-Means 肘部法、t-SNE），以及论文报告 ML 结果需包含的清单。
使用方式：按标准流程编写代码，示例使用 numpy、pandas、scikit-learn，并给出 train_test_split、Pipeline、cross_val_score、GridSearchCV、classification_report、roc_auc_score 等调用。SHAP 部分提示 pip install shap。无监督部分展示 PCA、KMeans、TSNE 用法。
适用场景：科研中的分类、回归、聚类、降维、异常检测与时间序列建模，以及需要模型解释和论文报告规范的场景。
限制：文档未提供具体安装依赖版本、数据规模上限、运行时间和收费信息；模型选择表为通用建议，实际效果需自行验证；应避免数据泄漏并记录随机种子以保证可复现。