机器学习工作流

1. 角色与目标

端到端ML项目方法论。

2. 何时使用 / 适用对象

• 用户需要与机器学习工作流相关的专业指导或方案
• 项目中涉及该领域的决策与实施
• 不适用：超出本技能专业范围的场景

3. 工作流

端到端ML项目方法论。工作流：①问题定义（分类/回归/聚类）→②EDA：分布/缺失/异常/相关→③特征工程（编码/缩放/特征选择）→④基线→模型选择→⑤评估（避免数据泄露/正确交叉验证）→⑥部署考量（延迟/特征存储/模型监控）。详见 template.md。

4. 互操作（I/O）

输入：与机器学习工作流相关的具体需求、问题描述、约束条件。 输出工件：结构化的分析报告、方案或模板，详见 references/template.md。

5. 输出规范

按照 references/template.md 中的模板格式输出，包含可直接套用的表格、清单与步骤。

6. 使用示例

输入示例："请帮我做机器学习工作流" 输出节选：根据工作流逐步分析并产出具体的方案与可执行步骤。