Scikit Learn

面向 Python 生存分析与时间到事件建模的 scikit-survival 技能。适用于删失数据、Cox 模型、随机生存森林、梯度提升、Survival SVM，以及一致性指数和 Brier score 等生存评估指标。

scikit-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。

molfeat 是一款面向 ML 和数据分析的分子特征化技能。它可以将 SMILES 或 RDKit 分子转换为 fingerprints、descriptors 和预训练 embeddings，适用于 QSAR、虚拟筛选、相似性搜索和化学空间分析。使用这份 molfeat 指南，选择实用的表示方式并构建可复用的特征化流水线。

geniml 是一个用于 BED 文件、scATAC-seq 输出和染色质可及性数据的基因组区间机器学习技能。可用于 Region2Vec、BEDspace、scEmbed、consensus peaks 以及其他面向区域的 ML 工作流。若你需要基因组区域的 embeddings、聚类或预处理建议，它是一个合适的选择。

aeon 是一个与 scikit-learn 兼容的 Python 技能，用于时间序列机器学习。可用于分类、回归、聚类、预测、异常检测、分段、相似性搜索以及其他时序数据工作流。对于单变量和多变量分析，当你需要超出通用表格型 ML 的专门方法时，它尤其合适。