用途：该技能用于系统掌握机器学习建模的基础环节，从原始数据到训练出可评估的模型，核心围绕 scikit-learn 工作流。
主要能力：
- 数据预处理：处理缺失值（SimpleImputer）、特征缩放（StandardScaler、MinMaxScaler）、类别编码（OneHotEncoder、LabelEncoder）、离群值处理（IQR 或 Z-score），并可用 ColumnTransformer 组合数值与类别特征的预处理。
- 特征工程：多项式特征（PolynomialFeatures）、分箱（KBinsDiscretizer）、对数变换（np.log1p）、特征交互（x1*x2）。
- 模型评估：cross_val_score 交叉验证、classification_report 分类报告，支持 f1_weighted 等指标。
- 交叉验证策略：KFold、StratifiedKFold、TimeSeriesSplit、GroupKFold，按数据特点选择。
使用方式：典型流程为先加载并切分数据（train_test_split，可用 stratify 分层），再用 Pipeline 串联预处理与分类器，然后 fit 训练、score 或 predict 评估。示例命令与代码保持原样，例如： from sklearn.model_selection import train_test_split pipeline = Pipeline([('scaler', StandardScaler()), ('classifier', RandomForestClassifier(random_state=42))]) pipeline.fit(X_train, y_train)
最佳实践：在任何预处理前先切分数据；用 Pipeline 保证可复现；分类任务做分层切分；记录预处理参数；对特征工程代码做版本管理；避免在测试数据上 fit、避免数据泄漏、非平衡数据不要只看准确率、不要硬编码参数。
适用场景：适合需要搭建规范机器学习流水线的学习者与开发者，尤其涉及表格数据的分类任务。
限制：资料未提供安装步骤、价格、平台支持范围或具体效果数据。故障排查建议包括：预测出现 NaN 时检查是否加入 SimpleImputer；形状不匹配时用 ColumnTransformer；独热特征过多导致内存问题时用 max_categories 或哈希；交叉验证方差过大时检查预处理顺序以防泄漏。