用途：提供使用 scikit-learn 完成经典机器学习的指导，适用于分类、回归、聚类、降维、数据预处理、模型评估以及构建可上生产的 ML 流水线，支持结构化（表格）与文本数据。
主要能力：监督学习涵盖线性模型、决策树、随机森林、梯度提升、支持向量机、集成方法、神经网络、朴素贝叶斯与 KNN；无监督学习涵盖 K-Means、DBSCAN、层次聚类、高斯混合、PCA、t-SNE 等聚类与降维；模型评估提供交叉验证、GridSearchCV/RandomizedSearchCV 等调参与分类、回归、聚类指标；预处理提供缩放、编码、缺失值填补与特征工程；流水线通过 Pipeline、ColumnTransformer 组合预处理与模型。
使用方式：资料注明经 scikit-learn 1.8.0（2025 年 12 月稳定版）测试，要求 Python 3.11–3.14。安装使用 PyPI 包 scikit-learn（非已弃用的 sklearn 包），代码中导入为 sklearn。
uv pip install "scikit-learn>=1.7" uv pip install "scikit-learn[plots]" matplotlib seaborn uv pip install pandas numpy
配套参考文件覆盖快速参考、监督学习、无监督学习、模型评估、预处理、流水线与组合；示例脚本可用 uv run python scripts/classification_pipeline.py 与 uv run python scripts/clustering_analysis.py 运行。
适用场景：需要可解释的经典机器学习方法、比较不同算法、在交叉验证中防止数据泄漏、混用数值与类别特征。
限制：资料未提供 GPU 加速、深度学习框架集成、内置数据集清单及许可证信息；部分算法如 UMAP 需另行安装。官方文档见 https://scikit-learn.org/stable/。