用途：该技能用于所有预测模型实验，包括快速原型，目标是让每次实验可复现、无数据泄漏、指标选择有理由。不遵守通常会以“模型上线崩溃”或“结果无法复现”的形式回归。
主要能力与要求： 1）EDA先行：建模前给出分布、缺失率、离群值、目标平衡与显著相关性，指标与损失函数据此选择。 2）泄漏审计：每次切分都要明确回答并写成代码注释“训练集是否含测试样本的间接信息”。独立样本用分层k折；时间序列用TimeSeriesSplit/walk-forward；空间数据用空间块CV（见references/spatial-cv-protocol.md）；分组数据（患者、地块、场景）用GroupKFold。缩放器/编码器/填充器只在训练集上拟合，推荐sklearn.pipeline.Pipeline；目标派生特征须在折外计算。 3）指标选择需写一句理由：类别不平衡用F1/AUC-PR而非准确率；分割用IoU/Dice；回归在RMSE、MAE、R²间按用例权衡。每个点估计需带不确定性（bootstrap CI或折间均值±标准差）。 4）可复现骨架：脚本优先，配置放dataclass或YAML，固定随机种子，输出runs/run_meta.json，记录config与metrics，固定依赖版本（pip freeze > requirements.txt），可用时接MLflow/W&B。 5）深度学习补充：损失函数（如不平衡分割用Dice/Dice+CE）需写理由，Focal需比较后再用；增强需说明符合问题物理规律；早停加耐心值并附训练/验证曲线；先小模型加简单基线（逻辑回归、随机森林），深度模型打不过基线说明是数据问题。EO切图与推理细节见geo-deep-learning。 6）MLOps定位：用一段话说明数据源→清洗→特征/版本→训练→评估→部署→监控的链路，原型也要注明生产化后的形态。 7）报告格式：数据与切分策略及理由、基线与模型指标±CI、泄漏审计内容、下一步单一建议；差距不超过折间标准差时须写“无明确差异”。
执行契约：先定义预测目标与决策用途，建立基线，审计泄漏，做空间有效切分，可复现训练，量化不确定性，检查误差与部署适配。仅用于预测模型实验；空间统计用于推断，地统计用于采样面估计，描述性分析不强行建模。验证需在干净环境复现、跨折或种子对比基线、检查空间残差、验证切分独立性并测试最终决策阈值。出现泄漏、切分后预处理、指标不当、测试单元不独立、选择性运行或训练服务偏差时，相关结论作废。交付物包括实验配置、切分与种子清单、基线与模型指标及不确定性、泄漏审计、误差分析、产物与部署注意事项。使用版本敏感的切分、指标或复现API前，应查阅权威来源登记表。
限制：资料未提供具体安装命令、收费方式与支持平台，暂未提供。