本技能围绕 Python 经典机器学习库 scikit-learn 展开，用于处理表格数据的监督与无监督学习任务，并与 NumPy/pandas 工作流衔接。
用途与适用场景：为带标签数据构建分类模型（如垃圾邮件识别、疾病诊断）；用回归预测连续值（如价格、剂量反应）；对无标签数据聚类（如患者分层、基因表达分组）；用 PCA、t-SNE 降维做可视化或特征工程；通过交叉验证评估和比较模型；用网格搜索、随机搜索系统调参；构建可复现的预处理与建模流水线。资料指出，深度学习任务（图像、NLP）应改用 pytorch 或 transformers，大规模梯度提升应改用 xgboost 或 lightgbm。
主要能力：数据预处理（StandardScaler、MinMaxScaler、OneHotEncoder、OrdinalEncoder、LabelEncoder、SimpleImputer）；分类（LogisticRegression、RandomForestClassifier、GradientBoostingClassifier、SVC）；回归（LinearRegression、Ridge、Lasso、ElasticNet、RandomForestRegressor）；聚类（KMeans、DBSCAN、AgglomerativeClustering）；降维（PCA、t-SNE）；评估与选择（cross_val_score、GridSearchCV、StratifiedKFold、confusion_matrix、classification_report、silhouette_score）；流水线（Pipeline、ColumnTransformer）。
使用方式：安装命令为 pip install scikit-learn numpy pandas matplotlib seaborn。基本流程为加载数据、train_test_split 划分、fit 训练、predict 预测、用指标评估；混合类型数据可在 ColumnTransformer 中分别对数值列做中位数填充与标准化、对类别列做众数填充与独热编码，再接入 Pipeline。模型可用 joblib.dump 与 joblib.load 保存和加载。
限制与注意事项：资料列出常见问题，如 ConvergenceWarning 需增大 max_iter 或标准化特征；训练准确率高而测试低通常为过拟合，可加正则、减小 max_depth、用交叉验证；测试集出现新类别需用 OneHotEncoder(handle_unknown='ignore')；大数据内存不足可用 SGDClassifier/MiniBatchKMeans 增量学习；聚类效果差多因未缩放特征或 k 值不当；未 fit 就 predict 会触发 NotFittedError；需设置 random_state 保证结果可复现；参数网格大时 GridSearchCV 较慢，可改用 RandomizedSearchCV 或 HalvingGridSearchCV 并加 n_jobs=-1。具体版本、收费与平台支持等事实资料未提供。