Scikit-learn Skill 分类实战

Scikit-learn 是 Python 生态里经典机器学习的基石库。这个 Skill 把它封装成可调用知识，覆盖监督学习、无监督学习、预处理、模型评估和流水线构建全流程。如果你用 Claude Code、OpenClaw 或 Hermes Agent，启用后就能直接获得算法选型、代码模板和最佳实践指导。

Scikit-learn 在机器学习里的位置

深度学习火了很多年，但结构化数据的建模主力仍是 scikit-learn。它不做 GPU 加速神经网络，专注决策树、线性模型、SVM、集成方法等可解释算法，配套完整的预处理、评估和调参工具链。Kaggle 比赛里表格数据的 baseline，工业界风控、推荐、定价模型的原型，大量依赖它。这个 Skill 的价值在于：把分散在文档里的知识点聚合成可执行的决策辅助，告诉你什么任务该选什么算法，怎么写才不会踩坑。

这个 Skill 提供的能力

核心覆盖四大块。监督学习提供从 Logistic Regression 到 Gradient Boosting 的完整算法谱，附带分类、回归的场景判断。无监督学习聚齐 K-Means、DBSCAN、PCA、t-SNE 等，支持客户分群、降维可视化。模型评估与选择这块最实用：KFold、StratifiedKFold、TimeSeriesSplit 三种交叉验证策略，GridSearchCV 和 RandomizedSearchCV 两套调参方案，分类回归聚类三类指标一站式备齐。数据预处理则是流水线的地基，缩放、编码、缺失值填补、特征工程都有现成组件。此外还包含生产级 Pipeline 和 ColumnTransformer 的组装范式，避免训练集测试集泄露的老问题。

安装与启用

在兼容的 AI 工具中启用该 Skill 后，环境准备按详细说明执行。基础安装用 uv：

uv pip install scikit-learn

可视化补 matplotlib 和 seaborn，数据处理补 pandas 和 numpy。都是可选但建议一起装：

uv pip install matplotlib seaborn pandas numpy

不需要额外命令行激活 Skill，工具侧启用后即可在对话中调用相关知识。

一个完整的分类任务实操

最经典的场景：结构化数据二分类或多分类。Skill 提供的标准范式分三步——划分、预处理、训练评估。

数据切分用 stratify 保证类别比例一致，random_state 锁定可复现：

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, stratify=y, random_state=42
)

预处理阶段，StandardScaler 对数值特征做零均值单位方差变换，注意 fit_transform 和 transform 的区分——前者在训练集学参数，后者原封不动应用到测试集：

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

模型选 RandomForestClassifier，100 棵树，分类报告直接出 precision、recall、F1：

from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train_scaled, y_train)
y_pred = model.predict(X_test_scaled)
print(classification_report(y_test, y_pred))

如果数据里有数值和分类混合特征，Skill 推荐用 ColumnTransformer 组装预处理，再套进 Pipeline。这样整个流程变成单个可序列化对象，部署时直接 model.predict 新数据，预处理自动跟着走，不会泄露。

什么场景该用它

不是万能药。以下情况启用这个 Skill：数据是结构化表格或稀疏文本特征；需要可解释的模型输出；样本量在千到百万级，深度学习性价比不高；项目周期紧，要快速验证 baseline；或者需要稳定的生产流水线，而非实验性原型。

以下情况不必用它：图像、语音、非结构化文本的端到端学习，应该找 PyTorch 或专用 NLP/CV 库；需要在线学习实时更新模型，scikit-learn 支持有限；数据规模超过单机内存，得迁到 Spark 或 Dask。

使用建议

第一，优先用 Pipeline。手动分步预处理最容易在测试集上 fit，造成泄露。Pipeline 把步骤串成整体，GridSearchCV 能跨步骤调参。第二，交叉验证别偷懒。单次 train_test_split 的波动可能误导决策，StratifiedKFold 对分类任务更稳健。第三，预处理策略看数据分布。异常值多选 RobustScaler 替代 StandardScaler，类别基数高考虑 Target Encoding 替代 OneHot。第四，别忽视 baseline。复杂集成之前，先跑 Logistic Regression 和浅层决策树，确认信号确实存在。这个 Skill 的参考文档路径里藏了更细的算法对比和参数释义，遇到具体选型问题时值得深挖。