用途
scikit-learn 技能用于在 Python 中开展经典机器学习工作。资料列出的适用场景包括：构建分类或回归模型；执行聚类或降维；为机器学习进行数据预处理与转换；使用交叉验证评估模型性能；通过网格搜索或随机搜索调优超参数；创建面向生产工作流的 ML 流水线；为同一任务比较不同算法；处理结构化（表格）数据与文本数据；以及需要可解释的经典机器学习方法时。
主要能力
技能覆盖分类、回归、聚类、模型评估和 ML 流水线等方向。资料中提供的示例脚本展示了以下能力：
- 分类流水线（scripts/classification_pipeline.py）：处理数值与类别混合的数据类型；使用交叉验证进行模型比较；使用 GridSearchCV 进行超参数调优；使用多个指标进行综合评估；进行特征重要性分析。
- 聚类分析（scripts/clustering_analysis.py）：使用肘部法和轮廓分析寻找最优聚类数；比较多种聚类算法，包括 K-Means、DBSCAN、层次聚类（Agglomerative）和高斯混合（Gaussian Mixture）；在没有真实标签的情况下评估聚类质量；使用 PCA 投影可视化结果。
使用方式
资料说明，在执行该技能前应先阅读详细指南，指南保留了完整流程与参考材料，其安全、前置条件和验证要求应视为强制要求。对于聚焦型任务，可加载相关章节；对于端到端任务，应完整阅读指南。示例脚本以命令行方式运行，例如：
python scripts/classification_pipeline.py
python scripts/clustering_analysis.py
适用场景
适合需要可解释的经典机器学习方法、处理表格或文本数据、进行模型比较与调优、构建生产级 ML 流水线，以及开展聚类与降维分析的任务。
限制
资料明确列出以下限制：仅当任务清晰匹配上述范围时才使用该技能；不应将输出视为环境特定验证、测试或专家评审的替代；如果缺少必要输入、权限、安全边界或成功标准，应停止并请求澄清。
关于该技能的具体安装命令、依赖版本、收费方式、支持平台等信息，资料中暂未提供。