用途：本技能为使用 scikit-learn（Python 经典机器学习库）提供系统指导，适用于分类、回归、聚类、降维、预处理、模型评估，以及构建可用于生产环境的 ML 流水线。适用于结构化（表格）与文本数据，以及需要可解释的经典机器学习方法的场景。
安装：面向 scikit-learn 1.8.0（稳定版，2025 年 12 月），要求 Python 3.11–3.14（1.8+ 提供 free-threaded CPython 3.14 wheel）。安装 PyPI 包 scikit-learn（不是已弃用的 sklearn 包），代码中以 sklearn 导入。命令：uv pip install "scikit-learn>=1.7"；可选绘图与脚本依赖：uv pip install "scikit-learn[plots]" matplotlib seaborn；常与 pandas numpy 配合。查看版本：import sklearn; print(sklearn.version)。
主要能力：一、监督学习，含线性模型、树模型、SVM、集成、神经网络、朴素贝叶斯、KNN。二、无监督学习，含多种聚类（K-Means、DBSCAN、层次聚类、GMM 等）、降维（PCA、t-SNE 等）与特征提取。三、模型评估与选择，含交叉验证策略、GridSearchCV 等超参数调优、分类/回归/聚类指标。四、数据预处理，含缩放、类别编码、缺失值填补与特征工程。五、流水线，含 Pipeline、ColumnTransformer、FeatureUnion，防止数据泄漏。
使用方式：结合参考文档与示例脚本。示例脚本：uv run python scripts/classification_pipeline.py 和 uv run python scripts/clustering_analysis.py。
限制与注意：资料未提供收费与价格信息。进行超参数调优时需注意算力开销；大数据集需选用适配算法。