用途：提供 scikit-learn 的系统性使用指导，用于分类与回归（监督学习）、聚类与降维（无监督学习）、数据预处理、模型评估与超参数调优，以及构建可复现的生产级机器学习流水线。
主要能力：
- 监督学习：线性模型、决策树与随机森林、梯度提升、SVM、集成方法、MLP、朴素贝叶斯、KNN。
- 无监督学习：K-Means、DBSCAN、层次聚类、高斯混合、PCA、t-SNE、NMF、LDA 等聚类与降维方法。
- 评估与选择：KFold、StratifiedKFold、TimeSeriesSplit、GroupKFold，GridSearchCV、RandomizedSearchCV、HalvingGridSearchCV，以及分类、回归、聚类指标。
- 预处理：StandardScaler、MinMaxScaler、RobustScaler、OneHotEncoder、OrdinalEncoder，SimpleImputer、KNNImputer、IterativeImputer，多项式特征与特征选择。
- 流水线：Pipeline、ColumnTransformer、FeatureUnion、TransformedTargetRegressor，可防止数据泄漏并统一训练与预测流程。
使用方式：安装命令保持原样：uv pip install scikit-learn；可选可视化依赖 uv pip install matplotlib seaborn；常与 pandas、numpy 配合。技能附带示例脚本，如 python scripts/classification_pipeline.py 和 python scripts/clustering_analysis.py，并有 quick_reference、supervised_learning、unsupervised_learning、model_evaluation、preprocessing、pipelines_and_composition 等参考文档。
适用场景：结构化表格与文本数据的经典机器学习任务、客户分群、异常检测、模型对比、超参数调优与可解释建模。
限制与注意事项：部分算法需要特征缩放（SVM、KNN、神经网络、K-Means、带正则的线性模型），树模型与朴素贝叶斯通常不需要；应只在训练集上 fit，避免数据泄漏；分类任务建议分层切分，并设置 random_state 保证可复现；大数据内存不足时可使用 SGDClassifier 或 MiniBatchKMeans。资料未提供收费、价格与平台支持等具体信息。