用途
ml-best-practices 用于在探索性分析、特征工程、模型训练与统计性能验证各环节应用严格的机器学习工程标准。其核心原则是：每一个模型发现都必须基于无泄漏的数据划分、双模型基线与统计置信区间。
主要能力
技能以“核心不变量”形式规定若干硬性要求：
- 严格训练-测试隔离：在拟合任何缩放器、编码器或变换器之前，始终将数据集划分为训练、验证与测试集。
- 强制缺失值策略：显式量化缺失值频率，并记录保留、删除或插补的领域理由。
- 双模型基准：不得孤立依赖单一模型架构，至少训练两个不同的候选模型族，并与朴素基线对照。
- 统计显著性优于原始均值：对关键评估指标（F1、AUC、RMSE）报告 95% bootstrap 置信区间，以验证统计上的区分度。
- 叙事优先的 Notebook 结构：每个代码执行单元必须配合一个分析性 Markdown 单元，解释观察到的模式、权衡与结论。
技能给出从原始数据集与目标出发的架构图，分为数据清洁与异常筛查、聚类与预测、分类与回归、统计模型比较几个板块。
使用方式
技能按四步流程展开：
- 探索分析与异常检测：检查数据结构、计算汇总统计量，用散点图与直方图可视化目标分布，在建模前检查目标列异常、极端离群值与无意义取值。
- 监督建模（分类/回归）：在 scikit-learn 管道内应用变换器，且仅在训练数据上拟合；评估正则化以控制过拟合；对高基数名义特征限制基数或使用带折外正则化的目标编码。附带检查清单：按时间顺序划分（若为时序）或使用 StratifiedKFold（若为分类）；编码器与缩放器封装在 Pipeline 内且仅在 X_train 上拟合；生成混淆矩阵、ROC 曲线或残差诊断图；缺失值处理附有书面理由。
- 无监督聚类与时间序列预测：聚类时标准化特征并优化轮廓系数；预测时检验平稳性与季节性；对时间序列需确认未来信息未泄漏到历史滞后特征中。
- 模型比较与 95% bootstrap 置信区间：在相同交叉验证折上基准测试多个候选模型并计算 bootstrap 置信区间；对关键子群体做切片误差分析，并汇总操作性权衡表。
技能还列出反合理化护栏，将常见借口与约束规则对应，例如“划分前标准化无害”对应“仅在训练折上拟合缩放器”；“准确率 94% 即可上线”对应“必须检查 PR-AUC、F1 与混淆矩阵”；“XGBoost 更强所以不需要基线”对应“先建立朴素与线性基线”；“时序数据充分混合后打乱无妨”对应“按时间顺序划分时序数据”。
适用场景
主要用于表格数据的分类、回归、聚类与时间序列预测等统计机器学习建模工作，尤其适合需要严谨评估与可复现实验记录的数据分析流程。
限制
资料未提供该技能的具体安装方式、运行环境要求、支持的平台、收费模式或效果数据，上述内容暂未提供。