用途：该技能提供 Scikit-learn 专家级协助，适用于构建经典机器学习方案，包括回归、分类、聚类、降维及端到端 ML 管道。
主要能力：线性模型、决策树、随机森林、聚类与降维；用 Pipeline 组合填充器、编码器、缩放器与估计器；分层 K 折交叉验证、GridSearchCV、RandomizedSearchCV 与 HalvingGridSearchCV 超参数搜索；混淆矩阵、ROC-AUC、精确率-召回率与分类报告等评估指标；用 ColumnTransformer 处理数值与类别混合特征。
使用方式：通过 sklearn.pipeline.Pipeline、sklearn.compose.ColumnTransformer 构建流程，配合 sklearn.model_selection 的 train_test_split、cross_val_score、StratifiedKFold 进行训练与验证。示例：from sklearn.pipeline import Pipeline；pipe = Pipeline([('scaler', StandardScaler()), ('classifier', LogisticRegression())])；pipe.fit(X_train, y_train)；pipe.score(X_test, y_test)。
适用场景：表格数据分类与回归、聚类分析、特征预处理、模型评估与调参。
限制与注意：资料未提供收费、价格或平台信息。应始终在 Pipeline 内拟合转换器以避免数据泄漏；不要在划分训练测试集前对全量数据拟合转换器；稀疏数据使用 StandardScaler 需设 with_mean=False；大量参数网格应改用 HalvingGridSearchCV 或 Optuna；OneHotEncoder 输出接密集数组估计器时设 sparse_output=False；目标为列向量时可调用 y.ravel()。所需 Python 版本及其它环境要求暂未提供。