scikit-learn

scikit-learn 技能是进行 Python 传统机器学习任务的综合参考与实现指南。专为数据科学家、研究工程师与 AI 开发人员设计，此技能支持从初步数据预处理、特征工程到复杂的模型选择、超参数调整以及生产环境管道部署的完整机器学习生命周期。它是执行分类、回归等监督式学习，以及聚类和降维等非监督式学习技术的专家级辅助工具。

• 完整实现支持，包含线性模型、树状算法 (随机森林、梯度提升)、支持向量机 (SVC/SVR) 及集成学习方法。

• 强大的预处理模块，包括 StandardScaler, MinMaxScaler, OneHotEncoder，以及像 KNNImputer 这样先进的填充策略。

• 稳健的模型评估工具，整合了 KFold、StratifiedKFold 以及针对时间序列数据的 TimeSeriesSplit 等交叉验证策略。

• 自动化模型选择与优化工作流，利用 GridSearchCV、RandomizedSearchCV 与 HalvingGridSearchCV 来识别最佳超参数。

• 利用 ColumnTransformer 与 Pipeline 对象构建生产级管道，封装完整的转换与建模序列。

• 基于指标的效能分析，涵盖分类报告、ROC AUC、混淆矩阵以及 RMSE、MAE 与 R 平方等回归指标。

• 本技能主要针对结构化表格数据与特征工程后的文字数据；若需深度学习架构，请参考相关框架的专门技能。

• 输入通常为 pandas DataFrames 或 numpy 数组；输出包含已训练的估计器、优化后的管道与效能评估指标。

• 请确保已预先安装 numpy, scipy 与 pandas 等依赖项；建议使用提供的 uv pip 安装指令来配置 scikit-learn, matplotlib 与 seaborn。

• 本技能着重于可解释的传统机器学习；请利用内含的参考文件查询特定算法参数、默认配置以及关于偏差与变异权衡的最佳实践方式。