用途：该技能为使用 scikit-learn 完成经典机器学习任务提供系统指导，适用于分类、回归、聚类、降维、数据预处理、模型评估以及构建可上生产的 ML 流水线。
主要能力：监督学习涵盖线性模型（Logistic/Linear Regression、Ridge、Lasso、ElasticNet）、树模型（决策树、随机森林、梯度提升）、SVM、集成方法、MLP 神经网络、朴素贝叶斯与 KNN；无监督学习涵盖 K-Means、DBSCAN、层次聚类、高斯混合模型及 PCA、t-SNE、NMF 等降维方法；模型评估提供 KFold、StratifiedKFold、TimeSeriesSplit、GroupKFold 交叉验证，GridSearchCV、RandomizedSearchCV 调参，以及分类、回归、聚类常用指标；预处理涵盖 StandardScaler、MinMaxScaler、RobustScaler、OneHotEncoder、OrdinalEncoder、SimpleImputer、KNNImputer、多项式特征与特征选择；流水线支持 Pipeline、ColumnTransformer、FeatureUnion 等组合方式。
使用方式：安装命令为 uv uv pip install scikit-learn，可选安装 matplotlib、seaborn，常配合 pandas、numpy 使用。技能内含示例脚本，可运行 python scripts/classification_pipeline.py 与 python scripts/clustering_analysis.py 演示完整流程。参考文档包括 quick_reference、supervised_learning、unsupervised_learning、model_evaluation、preprocessing、pipelines_and_composition 等文件。
适用场景：结构化表格与文本数据建模、客户分群、异常检测、数据可视化、超参数调优、算法对比，以及需要可解释经典机器学习方法的任务。
限制与注意事项：应始终使用 Pipeline 防止数据泄漏，仅在训练集上 fit，分类任务建议分层抽样，设置 random_state 保证可复现，按数据情况选择指标，SVM、KNN、神经网络、PCA、K-Means 等需特征缩放。资料未提供收费、价格与平台支持信息。