该资料定位为生产级机器学习技能，核心工具为 scikit-learn、XGBoost，并涉及 LightGBM、CatBoost、imbalanced-learn、SHAP、Optuna、MLflow 等。用途是构建和监督、无监督学习流程，包括特征工程、模型训练、评估与上线准备。
主要能力：提供端到端管道示例（缺失值填充、标准化、OneHot 编码、随机森林分类器），涵盖自定义 Transformer（日期特征提取、离群值裁剪、对数变换）、交叉验证策略（StratifiedKFold、TimeSeriesSplit、GroupKFold）、超参数调优（RandomizedSearchCV、Optuna）、XGBoost 生产模式（DMatrix、早停、特征重要性、SHAP 解释）、不平衡数据处理（类权重、SMOTE、阈值调优）以及模型序列化（joblib）与 MLflow 版本管理。
使用方式以 Python 代码为核心，示例包含 train_test_split、Pipeline、ColumnTransformer、cross_val_score、xgb.train 等调用，并给出单元测试模板与调试清单。资料还提供 16 周学习路径和常见故障排查表。
适用场景包括客户流失预测等分类任务、时间序列与分组数据建模、生产 ML 管道构建与模型监控。限制说明：资料为技能说明文档，未提供该技能本身的收费、价格、平台或具体安装命令信息。