用途：该技能为使用 scikit-learn（Python 经典机器学习标准库）完成机器学习任务提供指导，适用于分类、回归、聚类、降维、预处理、模型评估以及构建生产级 ML 流水线，并支持结构化（表格）与文本数据。
主要能力：
- 监督学习：线性模型（Logistic/Linear Regression、Ridge、Lasso、ElasticNet）、树模型（决策树、随机森林、梯度提升）、SVM（SVC/SVR）、集成方法（AdaBoost、Voting、Stacking）、神经网络（MLPClassifier/Regressor）、朴素贝叶斯、KNN，用于分类与回归。
- 无监督学习：聚类（K-Means、MiniBatchKMeans、DBSCAN、HDBSCAN、OPTICS、层次聚类、高斯混合、MeanShift、SpectralClustering、BIRCH）与降维（PCA、TruncatedSVD、NMF、t-SNE、UMAP、Isomap、LLE、FastICA、LDA）。
- 模型评估与选择：交叉验证（KFold、StratifiedKFold、TimeSeriesSplit、GroupKFold）、超参数调优（GridSearchCV、RandomizedSearchCV、HalvingGridSearchCV）、分类/回归/聚类指标。
- 数据预处理：缩放（StandardScaler、MinMaxScaler、RobustScaler、Normalizer）、类别编码（OneHotEncoder、OrdinalEncoder、LabelEncoder）、缺失值填补（SimpleImputer、KNNImputer、IterativeImputer）、特征工程（PolynomialFeatures、KBinsDiscretizer、RFE/SelectKBest/SelectFromModel）。
- 流水线：Pipeline、ColumnTransformer、FeatureUnion、TransformedTargetRegressor，避免数据泄漏并支持联合调参。
使用方式：安装可用 uv pip install scikit-learn，可视化可选 uv pip install matplotlib seaborn，常配合 pandas、numpy。官方资料提供分类流水线与聚类分析示例脚本，可运行 python scripts/classification_pipeline.py 与 python scripts/clustering_analysis.py。
最佳实践与限制：始终使用 Pipeline，仅在训练集上 fit，分类任务用分层切分，设置 random_state 保证可复现；SVM、KNN、神经网络、PCA、带正则的线性模型与 K-Means 需要特征缩放，树模型与朴素贝叶斯通常不需要。常见问题包括 ConvergenceWarning（增大 max_iter 或缩放）、过拟合（正则化、交叉验证、简化模型）和大数据内存不足（SGDClassifier、MiniBatchKMeans）。参考资料给出官方文档、用户指南、API 参考与示例库链接；具体收费、价格与平台支持等信息暂未提供。