用途：为 Python 中的经典机器学习任务提供操作指引，覆盖监督学习（分类、回归）、无监督学习（聚类、降维）、数据预处理、模型评估与超参数调优，以及构建可上生产的 ML 流水线。
主要能力：提供线性模型、树模型与集成方法、SVM、KNN、朴素贝叶斯、MLP 等监督算法；K-Means、DBSCAN、层次聚类、高斯混合等聚类算法；PCA、t-SNE 等降维；缩放、编码、缺失值填补、特征工程；交叉验证、网格/随机搜索、分类与回归及聚类指标；用 Pipeline、ColumnTransformer、FeatureUnion 组合流程。
安装：uv pip install scikit-learn；可选可视化依赖 uv pip install matplotlib seaborn；常与 pandas、numpy 搭配。
用法：包含分类流水线与聚类分析示例脚本，命令为 python scripts/classification_pipeline.py 和 python scripts/clustering_analysis.py。参考文档覆盖快速参考、监督学习、无监督学习、模型评估、预处理、流水线与组合。
适用场景：表格与文本数据的分类回归、客户分群、异常检测、降维可视化、模型对比与调参、需要可解释的经典机器学习方案。
限制与注意：仅在训练集上 fit，测试集只做 transform；分类任务建议分层切分；设置 random_state 保证可复现；按数据平衡情况选择指标；SVM、KNN、神经网络、PCA、K-Means 等需特征缩放；大数据集可用 SGDClassifier 或 MiniBatchKMeans；文档未提供具体收费、价格或授权信息。官方文档见 https://scikit-learn.org/stable/。