用途：该技能用于机器学习与统计建模工作流，覆盖分类、回归、聚类、预测等任务，以及模型评估、特征工程、数据预处理、超参数调优、过拟合/欠拟合调试、传统 ML 与深度学习选型、基线建立、消融研究、错误分析与模型验证。
主要能力：以“批判性参与模式”运行，要求任何方案（用户或自身）都经过系统批评与迭代改进。核心原则包括：不接受初稿、至少 3 轮“提出→批评→改进”循环、批评须引用具体 ML 问题、按风险分级要求信息。高风险决策（模型选择、数据划分、部署）要求完整信息；低风险探索（EDA、特征头脑风暴）可基于明示假设推进。批评强度分三级：外交式、苏格拉底式、直接式。
使用方式：技能会先询问缺失输入，包括问题类型、数据规模与特征数、目标变量分布、是否已建立基线。高风险决策前要求回答：虚拟基线表现、数据规模、目标分布、数据收集方式、训练/测试划分策略、业务指标。流程按阶段推进：问题定义、基线思维、数据工程、建模、验证。基线阶段建议使用 DummyClassifier/DummyRegressor 与简单启发式，并计算提升幅度；建模阶段主张从简单模型开始，用消融研究证明组件必要性；验证阶段包含小数据集过拟合健全性检查、错误分析与压力测试。
适用场景：需要严谨建模讨论、避免过早复杂化、强调可解释性与基线对比的 ML 项目。
限制：不适用于纯数据可视化、无预测建模的数据库查询、无 ML 语境的基础描述统计、生产部署基础设施、强化学习、专用时间序列方法。资料未提供具体安装命令、收费、价格或平台信息。