用途：该技能用于机器学习模型的超参数调优。用户提出调参需求后，Claude 会识别模型、待调超参数、搜索策略和评估指标，并通过自动搜索寻找更优配置。
主要能力：支持网格搜索、随机搜索和贝叶斯优化三种策略；可生成基于 scikit-learn、Optuna 等库的 Python 代码，包含数据加载、预处理、模型训练与评估；执行搜索后报告最佳超参数组合及对应性能指标，并给出搜索过程洞察和进一步优化方向。资料中的示例覆盖随机森林网格搜索和梯度提升的 Optuna 贝叶斯优化。
使用方式：以自然语言描述模型、数据集、待调超参数、搜索策略和优化目标，例如最大化准确率或最小化 RMSE，技能会生成并执行相应代码。
适用场景：模型性能优化、自动搜索最佳超参数、比较不同搜索策略、提升准确率/精确率/召回率等指标。
限制：资料未提供具体安装命令、依赖版本、支持的数据规模、运行环境要求或收费信息；实际效果取决于数据、模型与计算资源。建议明确搜索空间、按复杂度选择策略并使用交叉验证。