用途：该技能面向使用 scikit-learn 完成传统机器学习任务，包括分类、回归、聚类、降维、模型评估、特征工程、超参数调优与流水线构建。
主要能力：提供数据准备与划分、分类、回归、聚类、降维、超参数调优等示例代码。数据准备部分用 train_test_split 划分训练测试集，并以 StandardScaler 在训练集上拟合、再转换测试集；LabelEncoder 将字符串标签转为整数。分类示例包含 RandomForestClassifier、GradientBoostingClassifier、SVC，并用 classification_report、confusion_matrix、roc_auc_score 评估。回归示例包含 LinearRegression、Ridge、Lasso、ElasticNet，用 RMSE 与 R2 评估。聚类示例包含 KMeans、DBSCAN、AgglomerativeClustering，以 silhouette_score 评估。降维示例包含 PCA 与 TSNE。调优示例包含 GridSearchCV 与 cross_val_score。
使用方式：按示例导入 numpy、pandas 及对应 sklearn 模块，构造 X、y 后划分数据并仅在训练集上拟合预处理器；模型设置 random_state 保证可复现；调优可用 GridSearchCV，并将 n_jobs 设为 -1 并行。
适用场景：常规表格数据的分类、回归、聚类与可视化降维，以及模型评估与调参。
限制：不适用于深度学习（建议用 transformers/pytorch）、时间序列预测（statsmodels）、超出内存的大数据（spark）与 GPU 加速训练。高维稀疏数据优先用 LinearSVC 或 SGDClassifier 替代核 SVM。官方来源文本暂未提供。