scikit-learn 是一个用于 Python 的开源机器学习工具，面向预测性数据分析，提供从输入数据处理到模型评估与选择的一系列方法。它覆盖监督学习与无监督学习中的多种常见任务，包括识别对象所属类别、预测连续值、自动分组相似对象、减少变量数量，以及比较和验证参数与模型。项目建立在 NumPy、SciPy 和 matplotlib 之上，并采用 BSD 许可证，可用于商业场景。官网同时提供 Getting Started、算法示例和各功能模块文档，便于围绕具体数据分析问题选择方法。
核心功能
分类
分类用于判断一个对象属于哪个类别。官网列出的应用包括垃圾邮件检测和图像识别，可使用梯度提升、最近邻、随机森林、逻辑回归等算法，并通过分类示例查看不同算法的使用方式和比较结果。
回归
回归用于预测与对象关联的连续值属性。官网将药物响应和股票价格列为应用示例，并提供梯度提升、最近邻、随机森林和岭回归等算法，相关示例展示了决策树回归与基于直方图的梯度提升回归。
聚类
聚类用于把相似对象自动分组为若干集合，适合客户细分和实验结果分组等场景。官网列出了 k-Means、HDBSCAN 和层次聚类等方法，并提供基于手写数字数据的 k-Means 示例。
降维
降维用于减少需要考虑的随机变量数量。官网给出的应用包括可视化和提高效率，相关方法包括主成分分析（PCA）、特征选择和非负矩阵分解，并提供基于 Iris 数据集的 PCA 示例。
模型选择
模型选择用于比较、验证并选择参数和模型，官网将参数调优带来的准确率提升列为应用方向。相关算法和工具包括网格搜索、交叉验证与评估指标，示例展示了 cross_val_score 和 GridSearchCV 的多指标评估。
数据预处理
预处理覆盖特征提取和归一化，可将文本等输入数据转换为适合机器学习算法使用的形式。官网将预处理和特征提取列为对应算法模块，并提供 KBinsDiscretizer 不同策略的演示示例。
使用方式
官网将产品定位为“Machine Learning in Python”，并提供 Getting Started 入门内容、稳定版文档、各算法模块说明和分类、回归、聚类、降维、模型选择、预处理等示例入口。正文还列出多个版本的下载信息和变更记录。给定内容没有说明是否需要注册、是否提供独立客户端、浏览器插件、API、命令行入口或自备模型 Key，也没有描述具体的导入导出流程。
适用人群与场景
进行垃圾邮件检测或图像识别的开发者可以使用分类算法识别对象类别；需要预测药物响应或股票价格的分析人员可以使用回归方法预测连续值；开展客户细分或实验结果分组的团队可以使用聚类；需要进行数据可视化、特征处理或提高计算效率的用户可以使用降维与预处理功能。官网展示的使用者还包括 INRIA、Spotify、Change、Telecom ParisTech、AWeber 和 Yhat，涉及基础研究、Python 分析和机器学习应用。
定价
官网明确说明 scikit-learn 是开源项目，并采用 BSD license，且可用于商业场景。给定正文没有提供付费档位、免费额度或具体价格信息。
注意事项
scikit-learn 建立在 NumPy、SciPy 和 matplotlib 之上，使用时涉及这些 Python 科学计算组件。官网正文列出了稳定版本与开发中的版本，并提供变更记录；同时说明项目由支持开源机器学习的组织和个人共同支持。
