scikit-learn机器学习教练

如果你的模型在训练集上表现很好，但在测试集上突然拉胯，问题往往不是算力不够，而是忽略了数据隔离、指标匹配和基线对照。只调用 fit/predict，不判断偏差-方差，很容易把过拟合、特征泄露或调参方向错误误认为模型不行。这个技能不演示炫技 pipeline，而是把 scikit-learn 的评估流程拆成可复现的调试路径。

工作方式

• 先确认任务是否有信号：用 DummyClassifier 或 DummyRegressor 建立基线，再看复杂模型是否真正超越随机猜测。
• 按学习曲线定位问题：训练与验证差距大，偏向过拟合；两者都差，偏向欠拟合。随后再选正则化、更多数据、降维，或更强的模型与特征工程。
• 匹配评估指标：分类问题看混淆矩阵、PR-AUC，类别不平衡时不只看 accuracy；回归问题看误差分布和残差，而不只是 R²。
• 防泄露优先：标准化、缺失值填充、编码等预处理只在训练折内 fit，用 Pipeline 把特征工程和模型绑定，再用 GridSearchCV 做关键参数粗扫。
• 记录案例：沉淀「数据→模型→指标→陷阱」的对照，避免下次把测试集信息带进训练。

边界与注意点

这个技能聚焦 scikit-learn 的教学与排错场景，学习节奏因人而异，不承诺固定周期。它不提供金融、医疗等专业决策建议；相关场景请以监管要求和专家判断为准。模型选择、评估与调参仍应以 scikit-learn 官方文档为最终口径，真实业务还要结合数据分布、成本约束和可解释性要求。