用途：本技能面向使用 scikit-learn 完成经典机器学习任务的场景，包括分类、回归、聚类、降维、数据预处理、模型评估，以及构建可用于生产的 ML 流水线。
主要能力：监督学习提供线性模型、树模型、随机森林、梯度提升、SVM、集成方法、神经网络、朴素贝叶斯、KNN 等算法；无监督学习提供 K-Means、DBSCAN、层次聚类、高斯混合、PCA、t-SNE、NMF 等聚类与降维方法；模型评估与选择支持 KFold、StratifiedKFold、TimeSeriesSplit、GroupKFold 交叉验证，GridSearchCV、RandomizedSearchCV 等超参数调优，以及分类、回归、聚类指标；数据预处理涵盖缩放归一化、类别编码、缺失值填补、特征工程与特征选择；流水线部分提供 Pipeline、ColumnTransformer、FeatureUnion 等组合方式，避免数据泄漏并支持联合调参。
使用方式：安装命令为 uv pip install scikit-learn，可选安装可视化依赖 uv pip install matplotlib seaborn，常与 pandas、numpy 配合。技能附带示例脚本，可运行 python scripts/classification_pipeline.py 和 python scripts/clustering_analysis.py。参考文档包括 quick_reference.md、supervised_learning.md、unsupervised_learning.md、model_evaluation.md、preprocessing.md、pipelines_and_composition.md。
适用场景：结构化表格数据与文本数据的分类回归、客户分群、异常检测、数据可视化、主题建模、模型对比与调参、生产工作流构建。
限制：资料未提供收费、价格、平台支持范围等信息；具体算法参数与完整用法需查阅官方文档 https://scikit-learn.org/stable/ 及技能内参考文件。