用途 该技能用于让 Claude 对提供的数据集执行聚类分析，自动运行多种聚类算法，帮助用户了解数据的分组与结构。当用户提出执行聚类、识别数据中的群体、进行聚类分析以理解数据结构，或在给定数据集上运行 K-means、DBSCAN、层次聚类等需求时启用。
主要能力 分析用户请求，确定数据集、期望使用的聚类算法以及特定要求；生成使用 scikit-learn 等合适机器学习库的 Python 代码，涵盖数据加载、预处理、算法执行与结果可视化；执行生成的代码，将聚类算法应用到数据集；呈现结果，包括聚类分配、性能指标（如轮廓系数、Davies-Bouldin 指数）以及可视化图表（如带聚类标签的散点图）。
使用方式 用户以自然语言提出聚类请求并指明数据位置。示例一：用户要求对 customer_data.csv 中的客户数据运行聚类以识别客户细分，技能会加载该数据集，执行 K-means 聚类，根据属性识别不同客户群体，并提供客户细分及其特征的可视化。示例二：用户要求对 network_traffic.txt 中的网络流量数据执行 DBSCAN 聚类以识别异常，技能会加载该数据集，运行 DBSCAN 找出代表异常网络流量的离群点，并报告识别出的异常及其特征。
最佳实践 在应用聚类算法前，始终对数据进行预处理（如缩放、归一化），以提升性能与准确性。根据数据特征和期望结果选择合适的算法：K-means 适合球形簇，DBSCAN 更适合非球形簇和异常检测。调优聚类算法的参数（如 K-means 的簇数、DBSCAN 的 epsilon 和 min_samples）以优化结果。
集成与适用场景 该技能可与数据加载技能集成，从多种来源获取数据集；也可与可视化技能结合，生成有洞察力的聚类结果可视化。适用于客户分群、数据结构探索、异常检测等场景。
限制 资料未提供具体支持的算法清单范围、性能上限、数据规模限制、收费或平台要求等细节，暂未提供。