用途：该技能用于执行全面的回归分析与预测建模，支持线性回归、决策树和随机森林，适用于需要预测数值型目标变量的场景，例如房价预测、销售预测、风险评估等。
主要能力：包含数据准备与探索、特征工程、模型训练与选择、模型评估与诊断、可视化与报告五个阶段。数据准备可加载校验数据、处理缺失值与异常值、进行探索性分析并识别预测变量与目标变量。特征工程支持从日期列提取时间特征、类别变量编码、创建交互项与派生特征、用统计方法选择特征，以及标准化或归一化。模型训练涵盖线性回归（含系数解释）、决策树回归、随机森林、K 折交叉验证、超参数自动调优和模型性能比较。评估使用 R²、MAE、RMSE、MAPE 等指标，并提供残差分析、学习曲线、特征重要性和预测区间。可视化包括预测值与实际值散点图、残差图、特征重要性图、学习曲线和自动生成的分析报告。
使用方式：用户提供包含目标变量和预测变量的数据集，样本量至少 100 行，即可执行分析。支持英文和中文列名及数据。输出文件包括 model_results.csv（含置信区间的预测）、feature_importance.csv、model_comparison.csv、prediction_plots.png、regression_analysis_report.md 和 model_coefficients.csv。依赖 scikit-learn、pandas、numpy、matplotlib、seaborn（需中文字体支持）和 scipy。
适用场景：房价预测、销售预测、客户风险评分等回归类预测任务，以及需要特征重要性解释和业务洞察的场景。
限制：资料未提供具体价格、部署方式和平台要求。建模前需注意数据格式与编码一致性、缺失值处理、异常值转换、数据类型校验，并划分训练与测试集，同时关注业务约束与模型可解释性。