用途：在组学（如表达谱）特征矩阵上构建诊断/预后分类器，处理 p>>n（特征数千、样本数十至数百）场景，输出可用于临床决策的概率。
主要能力：提供正则化线性模型（弹性网逻辑回归）、随机森林、XGBoost 等模型的选型与代码模式；批次捷径检测（用特征预测批次、列联表检验、StratifiedGroupKFold 批感知评估）；类别不平衡处理（class_weight 或阈值调优，风险模型不建议 SMOTE）；概率校准（CalibratedClassifierCV + FrozenEstimator）；预处理与缺失值处理；超参数调优与各类失败模式分析。
使用方式：先试弹性网逻辑回归作基线；怀疑非线性/交互再上随机森林/XGBoost，低学习率、浅深度、早停；XGBoost 2.x 的 early_stopping_rounds 与 eval_metric 必须放在构造函数而非 fit()；sklearn 1.8 起弃用 penalty=，改用 l1_ratio+C；校准用 FrozenEstimator 替代 cv='prefit'。所有预处理（标准化、归一化、批次校正、特征选择、插补）须在 CV 折内通过 Pipeline 完成。
适用场景：肿瘤/疾病分类与风险预测、组学特征签名构建、小样本高维分类基准比较。
限制：需自行确认 pandas 2.2+、scikit-learn 1.4+、xgboost 2.0+、imbalanced-learn 0.12+ 等版本；批次与结局混杂时任何校正都难补救，须在设计阶段平衡；树集成概率常校准不良；不平衡时准确率与 ROC-AUC 会误导，应报告 AUPRC 与 MCC。未提供具体收费、平台与安装命令信息。