scikit-learn
作者 K-Dense-AIscikit-learn 可帮助你在 Python 中构建经典机器学习工作流。这个 scikit-learn 技能适用于分类、回归、聚类、预处理、模型评估、超参数调优和 pipelines。它是一份面向表格数据和可重复模型开发的实用 scikit-learn 指南。
该技能得分 79/100，说明它很适合作为目录用户的候选条目：它确实提供了 scikit-learn 工作流价值，也有足够的操作指引可用，但作为独立的安装决策页，还没有完全打磨到位。
- 触发性强：描述明确覆盖了分类、回归、聚类、降维、预处理、评估、超参数调优和 pipelines。
- 操作清晰度不错：正文包含安装命令和明确的“何时使用此技能”部分，便于代理判断是否调用。
- 工作流深度较足：仓库展示了一个结构完整、篇幅较大的技能正文，包含多个标题、代码块以及仓库/文件引用，说明它更像可复用的指导内容，而不是占位内容。
- 未包含支持文件或辅助引用，因此用户主要需要依赖 SKILL.md 内容。
- 仓库预览未展示约束或使用护栏，这可能会让一些边界场景的判断需要交由代理自行决定。
scikit-learn 技能概览
这个 scikit-learn 技能能做什么
scikit-learn 技能帮助你在 Python 里搭建经典机器学习工作流：分类、回归、聚类、降维、预处理、评估和 pipelines。它最适合想要一份实用的 scikit-learn guide、能把数据问题真正落到可运行模型上的人，而不是只看库简介的人。
适合什么样的数据工作
当你需要针对表格数据或轻度结构化数据做可靠的 scikit-learn for Data Analysis 时，就适合用这个 scikit-learn skill，尤其是你重视快速 baseline、可解释模型和可重复评估的时候。对需要比较算法、并交付可维护成果的分析师、ML 工程师和数据科学家来说，它都很合适。
它的突出价值在哪里
它最大的价值在于工作流清晰：如何准备特征、避免数据泄漏、选择 estimator、调参，以及用一致的方式评估结果。和泛泛的提示词相比，scikit-learn 技能的目标是减少你在预处理顺序、train/test 切分和 pipeline 设计上的试错成本。
如何使用 scikit-learn 技能
安装并加载这个技能
如果这是一个 GitHub 托管的技能，就先把它安装到你的 Claude skills 环境里，然后优先打开 scientific-skills/scikit-learn/SKILL.md。如果你要把它接进 repo 工作流，在开始写 prompt 或代码之前，也要把同一文件里关联的部分一并读完。
给技能一份真实的机器学习需求
高质量输入要写清楚目标、数据形态和约束。比如：“根据 30 列表格特征预测 churn，包含数值和类别特征，类别不平衡，需要交叉验证 AUC，输出要使用带预处理的 pipeline。”这比“帮我用 scikit-learn”要好得多，因为技能可以立刻判断该选哪些 estimator、指标和转换方式。
先读对的部分
先看安装和“何时使用”的说明，然后直接跳到你真正需要的工作流部分：预处理、模型选择、评估，或者超参数调优。如果任务边界不清，就先让模型给你一个 baseline pipeline，再结合你的真实数据 schema 和成功指标继续细化。
实用的 prompt 模式
prompt 里要明确写出：目标变量、特征类型、数据量、缺失值情况、类别平衡、评估指标，以及你需要的是代码、解释还是排错。示例：“为 5 万行、存在缺失值、需要 one-hot encoding 的回归任务构建一个 scikit-learn pipeline；比较 Ridge、RandomForestRegressor 和 HistGradientBoostingRegressor，并用 5 折交叉验证；只返回简洁的 Python 代码。”
scikit-learn 技能 FAQ
scikit-learn 适合我的任务吗？
当你想在结构化数据上做经典机器学习、建立强 baseline，或者需要清晰的评估闭环时，选 scikit-learn。如果你的任务是深度学习、大规模分布式训练，或者端到端的 feature store 编排，这个技能可能就不是最佳重心。
我必须已经会 scikit-learn 吗？
不用。scikit-learn skill 对已经知道问题、但还不熟 API 细节的初学者也很有帮助。只要你能清楚描述数据和目标，它的价值就会更高，因为这样技能才能推荐合适的 estimator 和 pipeline 形态。
它和普通 prompt 有什么区别？
普通 prompt 往往会漏掉数据泄漏防范、切分策略，或者预处理顺序。而聚焦的 scikit-learn guide 会把这些步骤串在一起，这在你想要可复现的 scikit-learn usage、而不是一次性 notebook 片段时尤其重要。
什么时候不该用它？
如果你的工作主要是神经网络、非结构化图像/音频生成，或者需要 PyTorch 或 TensorFlow 的自定义训练循环，就可以跳过它。scikit-learn 最强的场景，是能够用可组合的 estimator pipeline 来表达解决方案时。
如何改进 scikit-learn 技能
提供数据细节，而不只是目标
最好的结果来自具体输入：列类型、缺失情况、目标类型、类别不平衡和样本量。像“二分类，8 个数值特征和 6 个类别特征，正样本占 12%，在固定 precision 下优化 recall”这样的请求，会比“让它更准确”产出更好的 scikit-learn usage。
明确评估方式
要说明你需要的是 holdout 切分、交叉验证、时间感知验证，还是分组切分。这个选择会实质性改变设计，也能帮助 scikit-learn 技能避开会抬高表现或泄漏信息的错误默认值。
先要一个 baseline，再逐步迭代
先让它给你一个包含预处理、一个或两个候选模型以及清晰指标的简单 pipeline。然后根据第一轮结果继续细化：加特征选择、调超参数、处理类别不平衡，或者在可解释性比原始分数更重要时把模型简化。
注意常见失败模式
最常见的问题是预处理不匹配、把缺失值处理放在 pipeline 外面，以及指标和业务目标不一致。在改进输出时，要明确要求基于 pipeline 的方案、选择该指标的理由，以及任何数据转换背后的假设。