用途：为 SaaS 功能加入基于统计/机器学习的预测能力，包括时间序列预测（需求、销售、现金流）、分类（流失预测、信用/风险评分、欺诈标记）、回归（价格优化、数量回归）以及异常检测（交易量、延迟、错误率等指标）。适用于问题数值化、数据丰富且需要可解释稳定输出的场景；文本类任务应改用 LLM 方案。
主要能力：给出 ML 与 LLM 与规则之间的选择判断；核心工具链包括 scikit-learn（分类、回归、聚类、流水线、指标）、statsmodels（ARIMA/ETS/SARIMA）、Prophet 或 NeuralProphet（季节性与节假日预测）、XGBoost/LightGBM、PyOD（异常检测）、SHAP（可解释性）、joblib（序列化）、numpy/pandas。强调数据泄漏防范、按时间或分组切分、用 Pipeline 只在训练集上拟合预处理。模型服务推荐轻量方案：启动时加载模型并常驻内存，文件名含版本或日期，用符号链接切换与回滚，支持影子模式对比。提供漂移监控（特征漂移、预测漂移、性能漂移）与重训触发条件，以及全局与局部（SHAP）可解释性。
使用方式：先阅读 SKILL.md，再按需加载 references/ 下的深入文档；前置要求先加载 python-modern-standards 与 python-saas-integration，特征工程可加载 python-data-analytics。产出可以是实现指导、代码、评审、迁移方案、审计或文档，并需明确假设、风险与后续工作。
限制：资料未提供具体安装命令、价格或性能数据；反模式包括在全量数据上训练、无基线部署、请求内加载模型、把模型产物存入 git、无触发条件地夜间重训、忽略概率校准。