Python 生態系統中最廣泛使用的機器學習經典庫
scikit-learn 是 Python 生態系統中最廣泛使用的機器學習經典庫，於 2007 年發布，採用 NumPy/SciPy 陣列運算框架。設計簡潔優雅，API 統一一致，適合處理傳統機器學習任務。提供從資料預處理到模型訓練、評估、調參的完整工具鏈，支援監督式學習（分類、回歸）、非監督式學習（聚類、降維）和模型選擇。
分類：邏輯回歸 (LogisticRegression)、支援向量機 (SVC)、決策樹 (DecisionTreeClassifier)、隨機森林 (RandomForestClassifier)、梯度提升 (GradientBoostingClassifier)。 回歸：線性回歸 (LinearRegression)、嶺回歸 (Ridge)、Lasso (Lasso)、ElasticNet (ElasticNet)、支援向量回歸 (SVR)。scikit-learn 提供統一的 fit/predict API，所有模型都遵循相同的使用模式。
聚類：K-Means (KMeans)、DBSCAN (DBSCAN)、層次聚類 (AgglomerativeClustering)。 降維：主成分分析 (PCA)、t-SNE (TSNE)、UMAP（需安裝 umap-learn）。K-Means 使用肘部法 (Elbow Method) 選擇最佳聚類數，DBSCAN 無需指定聚類數且能發現任意形狀的聚類。PCA 用於線性降維，t-SNE 和 UMAP 用於高維數據的可視化。
評估指標包括準確率 (accuracy)、精確率 (precision)、召回率 (recall)、F1 分數、混淆矩陣、ROC-AUC、MSE、R² 等。交叉驗證支援 K-Fold、StratifiedKFold、LeaveOneOut 等策略。超參數調參提供網格搜尋 (GridSearchCV) 和隨機搜尋 (RandomizedSearchCV)。Pipeline 可將預處理和模型訓練串聯為單一工作流。
特徵縮放提供 StandardScaler（標準化）、MinMaxScaler（歸一化）、RobustScaler（魯棒縮放）。類別特徵編碼提供 LabelEncoder 和 OneHotEncoder。ColumnTransformer 可對不同特徵列應用不同的預處理。PolynomialFeatures 生成多項式互動特徵。scikit-learn 的預處理模組是建構機器學習管線的重要組成部分。