通过 7 个中级代码补全挑战，强化使用 scikit-learn 解决问题的能力。每个挑战都提供起始文件和明确的 TODO 要求，并让你实现用于模型训练、评估、调优、解释或可视化的函数。
20 个任务步骤横跨监督学习与无监督学习，包括分类和回归指标、朴素贝叶斯、K 近邻、验证曲线、决策树、线性与正则化回归，以及三种聚类方法。每个任务都配有自动检查和参考解答。
你将学到什么
- 使用准确率、精确率、召回率和 F1 评估分类，并使用 MSE、MAE、RMSE 和 R² 评估回归
- 构建自定义评分器，并通过网格搜索调优带标准化的 SVR Pipeline
- 在 Iris 数据上训练高斯朴素贝叶斯，缩放特征，比较 Gaussian、Multinomial 和 Bernoulli 变体，并输出混淆矩阵
- 划分 Iris 数据，训练 K 近邻模型，评估预测，并搜索更合适的
k值 - 为决策树
max_depth生成验证曲线，从交叉验证得分中选择深度，重新训练并测试模型 - 在 pandas 中准备 Iris 数据，拟合
DecisionTreeClassifier，并汇总精确率、召回率和 F1 - 在提供的 CSV 数据上拟合线性回归，计算回归指标，并通过交叉验证比较 Ridge 与 Lasso
- 在 Iris 数据上应用 K-means、凝聚层次聚类和 DBSCAN，比较轮廓系数，并可视化聚类分配
本课程适合谁
本课程适合已经完成入门模型构建练习，并希望进行更独立实现实践的 Python 与 scikit-learn 学习者。你应能够阅读起始代码、补全函数体、理解要求并调试未通过的检查。
前置要求： 建议掌握 Python、NumPy 或 pandas 数据结构、训练/测试集划分、估计器的 fit 与 predict，以及基础分类和回归概念。这些挑战不会从零教授 Python 语法。
学习环境： 全部 7 个挑战都在 Ubuntu 22.04 WebIDE 中运行，共有 20 个中级任务步骤，每个步骤都带自动检查和参考解答。6 个环境固定使用 scikit-learn 1.2.2；指标挑战为兼容旧版 Boston Housing 练习，固定使用 scikit-learn 1.1.3 和低于 2 的 NumPy。
常见问题
这些挑战适合作为 scikit-learn 的第一次入门吗？
不太适合。虽然课程级别标为入门，但其中 7 个挑战都单独标为中级，并从面向 TODO 的起始代码开始。如果你还不熟悉 fit、predict、指标和训练/测试集划分，请先学习引导式 scikit-learn 基础课程。
课程提供多少指导和反馈？
每个任务会说明需要实现的函数或输出，并提供起始项目文件，但缺失逻辑需要你自己编写。20 个任务步骤各有一个自动检查和一个参考解答。
课程使用哪些数据集？
多个挑战重复使用 Iris 数据集。指标挑战还使用 Breast Cancer 数据集和旧版 Boston Housing 数据集，线性回归挑战则提供自己的 CSV 文件。这是聚焦算法的练习，而非大型生产数据集综述。
代码能在最新版 scikit-learn 中不经修改地运行吗？
不能保证。指标挑战特意安装 scikit-learn 1.1.3，因为它导入了后来被移除的 Boston Housing 加载器；其他挑战固定使用 1.2.2。应将该实验视为特定版本练习，在现代项目中改用当前受支持的数据集。
