Python scikit-learn 机器学习库深度解析

面向工业数采场景的完整实战指南：从 Estimator API 到底层算法原理，从数据管道到生产落地

1. 背景：为什么需要 scikit-learn

1.1 传统机器学习的痛点与 sklearn 的定位

工业数采场景中，我们面对的核心问题往往不是"训练一个大模型"，而是：

• 设备传感器数据（温度、振动、电流、压力）的异常检测------判断 CNC/PLC 设备是否偏离正常工况；
• 质量预测------根据工艺参数（转速、进给量、刀具磨损）预测工件合格率；
• 故障分类------把报警/故障按根因归类（轴承磨损、刀具崩刃、润滑不足...）；
• 特征降维------上百个点位的高维特征需要压缩成可解释的低维表示。

这类任务的数据量通常是几万到几百万条、特征几十到几百维，用深度学习属于"杀鸡用牛刀"，传统统计机器学习在精度、可解释性、训练速度、部署成本上反而全面占优。scikit-learn（简称 sklearn）正是这个领域的标准答案：

• 统一 Estimator API：所有算法（分类、回归、聚类、降维、预处理）都遵循 fit / predict / transform / score 四件套，学习成本极低；
• 算法覆盖面广：线性模型、SVM、树模型、集成学习、贝叶斯、最近邻、聚类、降维、度量学习、高斯过程等 40+ 类算法开箱即用；
• 一站式数据管线：预处理、特征工程、特征选择、模型选择、交叉验证、评估指标、模型持久化全部内置；
• 工业级工程细节：稀疏矩阵支持、并行训练（n_jobs）、增量学习（partial_fit）、内存友好的迭代式算法；
• NumPy/SciPy 底层：全部算法基于 C/Cython 实现，向量化计算，性能和正确性经过 15+ 年全球社区打磨。

1.2 sklearn 在 AI 技术栈中的位置

┌─────────────────────────────────────────────────────────┐
│ 数据接入层：采集总线 → 时序库（TDengine）→ 离线批（Parquet）│
├─────────────────────────────────────────────────────────┤
│  数据处理层：NumPy（数值内核）→ Pandas（表格清洗）         │
├─────────────────────────────────────────────────────────┤
│  ★ 建模分析层：scikit-learn（传统 ML：分类/回归/聚类/降维）│
│  ★ 深度学习层：PyTorch（训练）→ ONNX Runtime（部署）      │
│  ★ 生成式 AI：llama.cpp（本地 LLM 分析）                 │
├─────────────────────────────────────────────────────────┤
│  服务发布层：FastAPI / Gin（模型 API 服务）               │
└─────────────────────────────────────────────────────────┘

一句话定位：sklearn 负责"小而精"的统计学习问题，PyTorch 负责"大而复杂"的表示学习问题，两者在工业数采 AI 链路上是互补关系而不是替代关系。

2. 核心概念与总体架构

2.1 设计哲学：Estimator API

sklearn 的基石是**估计器（Estimator）**概念。所有算法对象都是 Estimator，遵循统一接口：

方法	用途	适用对象
fit(X, y)	训练模型	所有监督/无监督模型
predict(X)	预测标签/数值	分类器、回归器、聚类器
transform(X)	数据变换	预处理器、降维器、特征选择器
fit_transform(X)	训练并变换	无监督变换器（一步完成）
score(X, y)	返回默认评估指标	所有监督模型
get_params() / set_params()	参数读写（GridSearch 依赖）	所有模型
partial_fit(X, y)	增量学习	支持在线学习的模型
predict_proba(X)	输出类别概率	分类器
decision_function(X)	决策函数值	分类器（SVM/线性等）

三大约定：

1. 数据约定：输入 X 必须是二维数组（(n_samples, n_features)），y 是一维数组（(n_samples,)）；
2. 参数约定：所有超参数通过构造函数传入（如 RandomForestClassifier(n_estimators=100)），不会在 fit 后自动调优；
3. 状态约定：fit 会修改模型内部状态（学习到的参数保存在以 _ 结尾的属性中，如 coef_、classes_、feature_importances_）。

2.2 三类对象体系

Estimator（估计器）
├── Supervised（监督学习）
│   ├── Classifier（分类器）：目标变量是离散类别
│   └── Regressor（回归器）：目标变量是连续数值
├── Unsupervised（无监督学习）
│   ├── Clusterer（聚类器）：无标签分组
│   └── Transformer（变换器）：降维、缩放、特征提取
├── 元估计器（Meta-Estimator）
│   ├── Pipeline（管道）
│   ├── GridSearchCV / RandomizedSearchCV（网格搜索）
│   ├── cross_val_score（交叉验证）
│   ├── OneVsRestClassifier / OneVsOneClassifier（多分类策略）
│   └── StackingClassifier（堆叠集成）
└── 辅助设施
    ├── 评估指标：accuracy / precision / recall / F1 / AUC / MSE / MAE / R²
    ├── 数据集：train_test_split / StratifiedKFold / train_test_split 划分
    └── 持久化：joblib.dump / pickle / ONNX 导出

2.3 数据组织：特征矩阵与目标向量

sklearn 的输入约定非常严格：

# X：形状 (n_samples, n_features) 的二维数组，行=样本，列=特征
# y：形状 (n_samples,) 的一维数组，监督学习的目标值

X = np.array([[3.2, 4.1], [2.9, 5.0], [3.4, 3.9]])  # 3 个样本，2 个特征
y = np.array([0, 1, 0])                              # 3 个标签

关键约束：

• 特征必须是数值型：类别特征需要编码（OneHotEncoder / OrdinalEncoder），文本需要向量化（CountVectorizer / TfidfVectorizer）；
• 不允许 NaN：训练前必须清洗（SimpleImputer 填充或删除）；
• 维度必须一致：predict 时的特征数必须与 fit 时完全一致。

---

3. API 说明（Estimator 全家桶）

3.1 数据切分与交叉验证

from sklearn.model_selection import train_test_split, cross_val_score, GridSearchCV
from sklearn.model_selection import KFold, StratifiedKFold, TimeSeriesSplit

# 训练/测试划分（默认 75/25，可设 stratify 保持类别比例）
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42, stratify=y
)

# 交叉验证（返回 k 折每折的分数数组）
scores = cross_val_score(model, X, y, cv=5, scoring='f1_macro')

# 分层 K 折（分类任务推荐：每折类别比例与全集一致）
skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)

# 时间序列切分（工业数采必须用：训练集永远在测试集之前）
tscv = TimeSeriesSplit(n_splits=5)  # 前 4 折训练，最后一折测试

3.2 预处理与特征工程

变换器	功能	关键参数
StandardScaler	标准化（均值 0，方差 1）	with_mean（稀疏矩阵必须 False）
MinMaxScaler	归一化到 0,1	feature_range
RobustScaler	抗离群值缩放（用中位数/IQR）	quantile_range
MaxAbsScaler	按最大绝对值缩放（稀疏友好）	---
SimpleImputer	缺失值填充	strategy='mean'/'median'/'most_frequent'/'constant'
OneHotEncoder	类别特征独热编码	handle_unknown='ignore'
OrdinalEncoder	类别特征顺序编码	categories='auto'
PolynomialFeatures	多项式特征扩展	degree=2, interaction_only
FunctionTransformer	自定义函数变换	func, inverse_func
Binarizer	二值化	threshold

3.3 分类器（Classifier）

模型	类名	适用场景	关键超参数
逻辑回归	LogisticRegression	基线、可解释性要求高	C, penalty, class_weight
线性 SVM	LinearSVC	高维稀疏、文本	C, loss
核 SVM	SVC	中小数据集非线性	C, kernel, gamma
决策树	DecisionTreeClassifier	可解释、规则提取	max_depth, min_samples_split
随机森林	RandomForestClassifier	默认首选、稳健	n_estimators, max_depth, max_features
梯度提升	GradientBoostingClassifier / HistGradientBoostingClassifier	表格数据 SOTA	learning_rate, n_estimators, max_depth
K 近邻	KNeighborsClassifier	样本量小、特征少	n_neighbors, weights
朴素贝叶斯	GaussianNB / BernoulliNB / MultinomialNB	特征独立假设成立	---
多层感知机	MLPClassifier	小规模神经网络	hidden_layer_sizes, activation

3.4 回归器（Regressor）

模型	类名	适用场景
线性回归	LinearRegression	线性关系、可解释
岭回归	Ridge	线性 + L2 正则（防过拟合）
Lasso	Lasso	线性 + L1 正则（特征选择）
弹性网	ElasticNet	L1+L2 混合
SVR	SVR	小数据集非线性
决策树回归	DecisionTreeRegressor	分段常数拟合
随机森林回归	RandomForestRegressor	稳健默认
梯度提升回归	HistGradientBoostingRegressor	表格数据 SOTA

3.5 聚类与降维

from sklearn.cluster import KMeans, DBSCAN, AgglomerativeClustering
from sklearn.decomposition import PCA, TruncatedSVD, NMF
from sklearn.manifold import TSNE

kmeans = KMeans(n_clusters=4, n_init=10, random_state=42)
dbscan = DBSCAN(eps=0.5, min_samples=5)          # 密度聚类，自动定簇数
pca = PCA(n_components=0.95)                      # 保留 95% 方差
svd = TruncatedSVD(n_components=50)               # 稀疏矩阵降维
tsne = TSNE(n_components=2, perplexity=30)        # 可视化专用

3.6 特征选择

from sklearn.feature_selection import SelectKBest, RFE, SelectFromModel

# 统计检验筛选（分类用 f_classif / chi2，回归用 f_regression）
selector = SelectKBest(f_classif, k=20)

# 递归特征消除
rfe = RFE(estimator=LogisticRegression(), n_features_to_select=15)

# 基于模型特征重要度
sfm = SelectFromModel(RandomForestClassifier(n_estimators=100), threshold='median')

3.7 管道与网格搜索（工程核心）

from sklearn.pipeline import Pipeline
from sklearn.compose import ColumnTransformer

pipe = Pipeline([
    ('scaler', StandardScaler()),
    ('model', RandomForestClassifier(n_estimators=100, random_state=42)),
])
pipe.fit(X_train, y_train)

# 网格搜索 + 交叉验证（工业实践标准姿势）
grid = GridSearchCV(
    pipe,
    param_grid={'model__n_estimators': [50, 100, 200],
                'model__max_depth': [None, 10, 20]},
    cv=5, scoring='f1_macro', n_jobs=-1, verbose=1
)
grid.fit(X_train, y_train)
print(grid.best_params_, grid.best_score_)

3.8 评估指标

from sklearn.metrics import (accuracy_score, precision_score, recall_score,
    f1_score, confusion_matrix, classification_report, roc_auc_score,
    mean_squared_error, mean_absolute_error, r2_score)

# 分类
accuracy_score(y_true, y_pred)        # 准确率（类别不平衡时不可靠）
precision_score(y, p)                 # 精确率
recall_score(y, p)                    # 召回率
f1_score(y, p, average='macro')       # F1（macro/weighted/binary）
roc_auc_score(y, proba)               # AUC
confusion_matrix(y, p)                # 混淆矩阵
classification_report(y, p)           # 汇总报告

# 回归
mean_squared_error(y, p)              # MSE
mean_absolute_error(y, p)             # MAE
r2_score(y, p)                        # R²（决定系数）

---

4. 详细使用说明（可运行示例）

4.0 环境准备

pip install scikit-learn numpy pandas joblib
# 注意：sklearn 依赖 numpy>=1.19 且 <2.x 特定版本，装新装旧都可能报版本错

4.1 示例一：设备异常检测（Isolation Forest + 标准化）

场景：CNC 设备主轴振动特征（X/Y/Z 三轴 RMS + 温度 + 电流），无标签数据，检测异常工况。

import numpy as np
import pandas as pd
from sklearn.ensemble import IsolationForest
from sklearn.preprocessing import StandardScaler

# 模拟 5000 条正常样本 + 2% 异常
rng = np.random.default_rng(42)
n = 5000
X = pd.DataFrame({
    'vib_x': rng.normal(1.0, 0.2, n),
    'vib_y': rng.normal(1.1, 0.25, n),
    'vib_z': rng.normal(0.9, 0.18, n),
    'temp': rng.normal(55, 5, n),
    'current': rng.normal(12, 1.5, n),
})
X.iloc[:100] *= rng.uniform(1.8, 3.0, size=(100, 5))  # 注入异常

# 1) 标准化（Isolation Forest 对尺度敏感）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 2) 孤立森林：contamination=异常比例，n_estimators=树数
iso = IsolationForest(n_estimators=200, contamination=0.02,
                      random_state=42, n_jobs=-1)
iso.fit(X_scaled)

# 3) 预测：1=正常，-1=异常
pred = iso.predict(X_scaled)
scores = iso.score_samples(X_scaled)      # 越低越异常
anomalies = X[pred == -1]
print(f"检测到异常样本 {len(anomalies)} 条（预期约 {int(n*0.02)} 条）")

# 4) 输出前 10 条最异常样本
idx = np.argsort(scores)[:10]
print(X.iloc[idx])

4.2 示例二：工件质量分类（Pipeline + 随机森林 + 网格搜索）

场景：IPQC 采集工艺参数（进给速度、主轴转速、切削深度、刀具磨损、冷却液流量），预测工件合格/不合格/返修三分类。

from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.ensemble import RandomForestClassifier
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.metrics import classification_report

# 数据（实际生产应从 TDengine/CSV 加载）
X = rng.normal(size=(8000, 8))
X[:, 0] = X[:, 0] * 2 + 3          # 模拟进给
y = ((X[:, 0] * 1.2 + X[:, 3] > 6) * 2 + (X[:, 1] > 0)).astype(int)  # 0/1/2

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42, stratify=y)

pipe = Pipeline([
    ('scaler', StandardScaler()),
    ('rf', RandomForestClassifier(random_state=42, class_weight='balanced')),
])

grid = GridSearchCV(
    pipe,
    {'rf__n_estimators': [100, 300],
     'rf__max_depth': [8, 12, None],
     'rf__min_samples_leaf': [1, 5]},
    cv=5, scoring='f1_macro', n_jobs=-1
)
grid.fit(X_train, y_train)

print("最佳参数:", grid.best_params_)
print("交叉验证 F1:", round(grid.best_score_, 4))
print("测试集报告:\n", classification_report(y_test, grid.predict(X_test)))

4.3 示例三：刀具寿命预测（时序回归 + TimeSeriesSplit）

场景：根据累计切削时间、切削力均值/峰值、振动能量预测刀具剩余寿命（RUL）。

from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.model_selection import TimeSeriesSplit, cross_val_score

# X：每把刀具的累计特征（时间顺序已排好）
X_ts = rng.normal(size=(3000, 6))
y_ts = np.clip(500 - X_ts[:, 0]*3 - X_ts[:, 2]*5 + rng.normal(0, 20, 3000), 0, 500)

# 时序切分：严禁随机打乱！
tscv = TimeSeriesSplit(n_splits=5)
hgb = HistGradientBoostingRegressor(max_iter=300, learning_rate=0.05,
                                    random_state=42)

scores = cross_val_score(hgb, X_ts, y_ts, cv=tscv, scoring='neg_mean_absolute_error')
print("各折 MAE:", -scores)
print("平均 MAE:", round(-scores.mean(), 2), "（分钟）")

4.4 示例四：特征降维与可视化（PCA + KMeans）

场景：上百个设备点位特征降维到 2D，观察工况聚类。

from sklearn.decomposition import PCA
from sklearn.cluster import KMeans

X_high = rng.normal(size=(2000, 50))
kmeans = KMeans(n_clusters=3, n_init=10, random_state=42)
labels = kmeans.fit_predict(X_high)

pca = PCA(n_components=2, random_state=42)
X_2d = pca.fit_transform(X_high)
print("前 2 主成分方差占比:", pca.explained_variance_ratio_)
# 可用于 matplotlib 散点图绘制聚类结果

4.5 示例五：模型持久化与 ONNX 导出（生产部署）

import joblib

# 保存/加载（工业服务端标准做法）
joblib.dump(grid.best_estimator_, 'quality_model.joblib')
model = joblib.load('quality_model.joblib')

# ONNX 导出（与深度学习模型统一部署）
# pip install skl2onnx onnxruntime
from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType

onx = convert_sklearn(grid.best_estimator_,
                      initial_types=[('input', FloatTensorType([None, 8]))])
with open('quality_model.onnx', 'wb') as f:
    f.write(onx.SerializeToString())

---

5. 常错点 / 坑（22 条）

数据层

1. 特征含 NaN 直接报错：ValueError: Input contains NaN，必须先 SimpleImputer 或 dropna；
2. 输入不是二维数组：一维数组 X.reshape(-1, 1)，单样本预测用 X_test0.reshape(1, -1)；
3. 类别特征直接喂模型：sklearn 树模型部分支持类别特征（categorical_features，1.3+），但大多数模型要求数值，必须 OneHotEncoder；
4. 文本特征未向量化：中文/英文文本要 CountVectorizer/TfidfVectorizer；
5. 类别不平衡不处理：class_weight='balanced' 或 SMOTE 重采样，否则少数类被全灭；
6. 时间序列数据随机切分：train_test_split 默认 shuffle，时间序列必须 TimeSeriesSplit，否则未来信息泄漏；
7. 数据泄漏（特征含未来信息）：特征工程必须在训练折内 fit，用 Pipeline 可避免------fit_transform 只在训练集、transform 只在测试集；

模型层

1. fit 后忘 predict_proba 的维度检查：二分类返回 (n, 2)，取正类概率用 :, 1；
2. classes_ 顺序假设：标签 0/1 顺序不一定按直觉，用 model.classes_ 查询；classification_report 会按类别显示；
3. 随机森林特征重要度过拟合：feature_importances_ 在特征相关时会虚高，用 permutation importance 交叉验证；
4. SVM 不标准化：SVC/RBF 核距离计算依赖尺度，不标准化性能差几个量级；
5. PCA 在测试集上重新 fit：测试集必须 pca.transform，严禁 fit_transform，否则泄漏均值/方差；
6. 大规模数据用 SVC/KNeighbors：O(n²)/O(n·d) 复杂度，几万条以上改用线性模型或树模型；
7. 梯度提升 n_estimators 过大：不设早停（early_stopping=True + validation_fraction）极易过拟合；
8. GridSearchCV 参数名写错：管道内参数必须带前缀 model__（双下划线），否则静默当作未知参数报错或搜索不到；
9. random_state 不固定：树模型、SVM、聚类等有随机性，不固定则结果不可复现，生产事故源头；
10. n_jobs=-1 在部分算法内无效：SVM、决策树单棵不支持并行，别指望所有算法都加速；

评估层

1. 类别不平衡只看 accuracy：99% 正常 1% 异常的"100%"模型毫无意义，必须 precision/recall/F1/AUC；
2. 回归只看 MSE：MSE 对离群值敏感，配合 MAE 或 Huber 损失观察；
3. cross_val_score 默认 scoring 不适合业务：分类默认 accuracy，回归默认 R²，要按业务显式传 scoring=；
4. 交叉验证与网格搜索重复拟合：GridSearchCV 内部已做 CV，外部不要再手动交叉验证一次；
5. joblib.dump 与 pickle 混用：sklearn 官方推荐 joblib（大数组更高效），ONNX 部署注意算子版本兼容。

---

6. 底层实现剖析

6.1 决策树与随机森林

• 决策树 ：CART 算法（分类与回归树），递归二分。每个节点遍历所有特征的所有分割点，选基尼不纯度 （分类）/ MSE 下降（回归）最大的切分。复杂度 O(n·d·log n)（排序后切分点搜索优化）。
• 随机森林 ：Bagging（有放回采样）构建多棵独立树 + 随机特征子集 （max_features='sqrt'）解相关。预测取多数投票/均值。关键理论：树间相关性越低，集成方差越小。
• 梯度提升（GBDT） ：加法模型逐步拟合负梯度（残差），每棵新树修正前序模型的错误。HistGradientBoosting 用直方图分箱（256 bins）加速分割点搜索，复杂度从 O(n·d·bins) 降到可处理百万级样本。

6.2 线性模型

• 逻辑回归：最大似然估计，损失 = 交叉熵 + 正则（L1/L2/ElasticNet）。坐标下降（liblinear）/ L-BFGS（lbfgs）求解。
• 岭回归：闭式解 w = (XᵀX + λI)⁻¹Xᵀy，SVD 分解实现。
• Lasso：L1 正则产生稀疏解（特征选择），坐标下降求解。
• SGD（SGDClassifier）：随机梯度下降逐样本更新，支持在线学习（partial_fit），工业流式训练的基础。

6.3 SVM

• 对偶问题求解：SMO 算法（libsvm），核函数技巧将数据映射到高维空间。
• 支持向量 = 边界附近的少数样本，预测只依赖支持向量，因此稀疏且可解释。
• RBF 核 exp(-γ||x-x'||²)：γ 控制高斯核宽度，过大过拟合、过小欠拟合。

6.4 KMeans

• Lloyd 算法：初始化（n_init 次 k-means++ 选取）→ E 步分配（最近质心）→ M 步更新（簇均值）→ 迭代至收敛。
• 对初始值敏感、对离群值敏感、簇数需指定；inertia_（簇内平方和）随 k 单调下降，选 k 用肘部法或轮廓系数。

6.5 PCA / SVD

• PCA = 对协方差矩阵做特征值分解 （稠密）或对数据矩阵做 SVD（svd_solver='full'/'randomized'/'arpack'）。
• 主成分是数据方差最大方向的正交基；explained_variance_ratio_ 给出各成分方差占比。
• 大矩阵用 randomized_svd（随机化投影近似），复杂度 O(n·d·k) 而非 O(n·d²)。

6.6 孤立森林（Isolation Forest）

• 核心思想：异常点"容易被孤立"------随机选特征、随机选切分点构造二叉树，异常点路径长度平均更短。
• 异常分数 = 路径长度的归一化；与距离/密度方法不同，对高维数据天然鲁棒，是工业异常检测默认首选。

---

7. 性能优化与生产实践

7.1 优化清单（10 条）

1. 特征缩放统一用 Pipeline：训练/测试一致，杜绝数据泄漏；
2. 大数据用 HistGradientBoosting*：百万级样本表格数据 SOTA，且原生支持 NaN 与类别特征；
3. n_jobs=-1 配合 n_estimators 缩放：随机森林/网格搜索多核并行；
4. 稀疏矩阵：OneHot 后的高维特征用 scipy.sparse，内存省 10~100 倍；TruncatedSVD 做稀疏降维；
5. PCA(n_components=0.95)：按方差占比自动定维数，避免手调；
6. 早停：GBDT 设 early_stopping=True, validation_fraction=0.1, n_iter_no_change=10；
7. 类别不平衡：class_weight='balanced' 优先，其次 RandomUnderSampler，最后 SMOTE（易过拟合）；
8. 在线学习：流式采集用 partial_fit + SGDClassifier，无需全量重训；
9. 模型压缩：sklearn-onnx 导出 + 整数量化（onnxruntime.quantization），推理快 2~4 倍；
10. 预热与复用：FastAPI/Gin 服务进程启动时加载一次模型，请求循环只做 predict（sklearn 预测是线程安全的，模型对象可跨请求共享）。

7.2 工业数采落地链路建议

CNC/PLC 设备 → libmodbus/MC协议/FOCAS 采集 → Kafka 传输
    → TDengine 时序落库 → 离线导出 Parquet
    → Pandas 清洗 → NumPy 特征矩阵
    → scikit-learn 建模（异常检测/质量分类/寿命预测）
    → joblib/ONNX 持久化 → FastAPI/Gin 模型服务
    → 结果回流 Kafka / 告警推送

关键实践：

• 基线优先：先跑 LogisticRegression/RandomForest 基线，再上复杂模型；
• 可解释性：质量判定场景用 feature_importances_ / eli5 / shap 输出根因，车间工程师才信服；
• 漂移监控：模型上线后周期性统计特征分布（PSI/KL 散度），漂移超限触发重训；
• 冷启动：新产线无历史标签时先用 IsolationForest（无监督）+ 人工复核闭环，积累标签后再切监督模型。

---

8. 总结

scikit-learn 是工业数采 AI 链路中性价比最高的建模层：

1. 统一 API：fit/predict/transform 四件套 + Pipeline + GridSearch，工程化心智极简；
2. 算法全覆盖：分类/回归/聚类/降维/特征选择/评估一站式，表格数据场景传统 ML 往往优于深度学习；
3. 底层高效：NumPy/SciPy/Cython 实现，多核并行、稀疏支持、增量学习，可扩展至百万级样本；
4. 部署成熟：joblib 持久化、ONNX 导出、线程安全预测，与 FastAPI/Gin 无缝集成；
5. 可解释：树模型特征重要度、线性模型系数，满足制造业质量追溯需求。

选型决策 ：小数据/表格数据/需要可解释 → scikit-learn；图像/语音/长序列/超大数据 → PyTorch；LLM 文本分析 → llama.cpp。三者组合覆盖工业数采 AI 全场景。

---

9. FAQ 速查表

问题	答案
sklearn 能处理 GPU 吗？	不能原生加速，大数据换 LightGBM/XGBoost 或 PyTorch
输入数据需要是什么类型？	(n_samples, n_features) 的 float ndarray/DataFrame
模型能跨线程并发 predict 吗？	可以，fit 后 predict/transform 线程安全
如何保存/加载模型？	joblib.dump/load，或 ONNX 导出
类别不平衡怎么办？	class_weight='balanced' → 重采样 → SMOTE
特征重要性可信吗？	树模型有偏，用 permutation importance 校验
如何防止数据泄漏？	所有变换放 Pipeline 内，交叉验证只出现在最外层
支持中文文本分类吗？	支持，需分词 + TfidfVectorizer
在线增量训练怎么做？	SGDClassifier.partial_fit + 固定 classes=
如何自动选择模型？	GridSearchCV/RandomizedSearchCV/Optuna 调参
R² 是负数正常吗？	正常，说明比"预测均值"还差
PCA 和 TruncatedSVD 区别？	PCA 处理稠密（中心化后 SVD），TruncatedSVD 处理稀疏（不中心化）

---

（内容由 AI 生成，仅供参考） （内容由AI生成，仅供参考）