scikit-learn机器学习教练
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @kunlungrowth/kunlun-scikit-learn-mooc。
技能介绍
练 sklearn 时,工程卡点常常不在 API 本身
你在写 Pipeline、调参或上线 joblib 模型时,真正的阻力往往是:PR 没有评审标准、实验脚本报错难复现、预处理与服务接口契约没对齐,或者「用 ColumnTransformer 还是手写特征工程」缺乏可比的取舍依据。本技能来自昆仑增长的 Agent Skills 模板,标题指向 scikit-learn 机器学习教练场景;内核是六类可触发的工程能力,把通用方法论落到你能直接交的文档形态上。
六类能力与两条主工作流
听到触发词即可路由意图:
- 代码评审(
review/评审/CR):输入 diff 或 PR,输出检查清单与阻断 / 建议 / 可选分级意见;工作流强调先读意图、再查正确性与安全,最后才谈风格。 - 技术方案设计(
设计/方案/架构):输入需求与约束,产出含背景、目标、选型、风险的方案骨架。 - 调试排错(
debug/报错/排查):输入报错与上下文,给出定位树、复现步骤与修复验证;默认顺序是稳定复现 → 隔离变量 → 看日志/指标 → 二分假设。 - 架构权衡(
选型/对比/架构):按场景与规模输出利弊、适用面与成本对比表。 - API 设计(
接口/API/契约):围绕资源与操作整理 RESTful 约定、字段契约与错误码。 - 工程规范(
规范/最佳实践/标准):按语言/框架给清单与反模式提示。
在 sklearn 相关任务里,你把输入换成具体对象即可——例如「这份 fit/transform 改动的 PR」「训练节点上的 ValueError 堆栈」「批量推理服务的接口草案」。技能还附带代码质量五维量表与意图识别对照表,方便你和助手对齐「到底要评审还是要方案」。
适用边界
本技能不替代专业资质判断,不接入付费服务,也不处理真实密钥或凭证(仅给脱敏示例)。评审与方案输出是辅助参考,合并与上线决策仍由负责人承担;文档中也明确不鼓励绕过安全机制。若结果不够贴场景,应在对应能力的输入里补全人群、约束与规模,而不是指望泛化模板自动猜全栈细节。
使用场景
- sklearn 训练脚本 PR 改动大,需要按阻断/建议/可选分级写评审意见再合并
- 线上批量推理 job 报 `ValueError`,要用复现步骤和环境隔离树定位 sklearn 版本或数据列问题
- 在固定延迟与团队规模下,对比 `Pipeline`+`ColumnTransformer` 与自定义特征链并写成选型表
- 为模型服务起草 REST 接口:定义资源路径、输入特征字段契约与可机器读的错误码
适合人员
- 维护 sklearn 训练流水线的算法工程师,希望 PR 评审有检查清单而不是凭感觉挑格式
- 带模型服务上线的后端负责人,要把推理接口的字段契约和错误码一次写对齐
- 独立开发者把 notebook 实验迁到生产,需要方案模板写清选型、回滚与风险
- 全栈工程师接手他人 sklearn 代码,遇到报错时想用标准排错流而非直接改参试错