1. Scikit-learn（sklearn）用途：一个功能强大的机器学习库，提供了各种监督学习和无监督学习算法的实现。主要功能：分类、回归、聚类、降维等算法（如 SVM、随机森林、K-Means、PCA）。数据预处理（标准化、归一化、编码分类变量）。模型选择与评估（交叉验证、网格搜索、性能指标计算）。特点：简单易用，适合快速实现机器学习流程。2. LightGBM用途：一个高效的梯度提升框架（Gradient Boosting），主要用于机器学习中的分类和回归任务。主要功能：基于决策树的高性能梯度提升算法（比 XGBoost 在某些情况下更快、内存占用更低）。支持并行学习、类别特征自动处理、大规模数据训练。特点：速度快、内存消耗低，适合处理大数据集。3. Matplotlib用途：Python 中最流行的数据可视化库，用于创建各种静态、动态或交互式图表。主要功能：绘制折线图、散点图、柱状图、直方图、饼图等。支持自定义图表样式（颜色、标签、标题、图例等）。可与 Jupyter Notebook 无缝集成，适合数据探索和结果展示。特点：灵活且功能强大，是 Python 数据可视化的基础工具。典型使用场景数据科学/机器学习流程：用 matplotlib 可视化数据分布。用 sklearn 进行数据预处理和模型训练。用 LightGBM 训练高性能的梯度提升模型（尤其适合结构化数据）
