用途：该技能面向使用 scikit-learn 构建、训练和评估机器学习模型，覆盖分类、回归与聚类三类任务。
主要能力：给出分类（随机森林等）、回归（梯度提升回归等）、聚类（KMeans 肘部法选 k）的快速上手示例；提供模型选择指引，如分类可用逻辑回归、随机森林、XGBoost、SVM，回归可用线性回归、Ridge/Lasso、随机森林、XGBoost，聚类可用 K-Means、DBSCAN、层次聚类；给出分类与回归的评价指标用法（accuracy、precision、recall、f1、roc_auc、混淆矩阵、MAE、MSE、RMSE、R²）；涵盖交叉验证 cross_val_score、网格搜索 GridSearchCV 调参、特征工程（StandardScaler、LabelEncoder、PolynomialFeatures）与 Pipeline 组合。
使用方式：需在 Python 环境中安装 scikit-learn（部分示例另需 numpy、matplotlib），按示例导入 sklearn 模块，先切分数据再预处理，训练后预测并评估，可用 joblib 或 pickle 保存模型。
适用场景：分类、回归或聚类建模，模型选择与调参，性能评估。
限制：资料未提供具体安装命令、收费与平台信息；示例为通用代码片段，实际效果取决于数据与配置。