ml-pipeline
/ml-pipeline
Buduje potok uczenia maszynowego dla badań naukowych: przygotowanie danych, inżynierię cech, dobór modelu, trenowanie, ewaluację i interpretację, w tym walidację krzyżową, strojenie hiperparametrów i wyjaśnialność.
- Autor
- beita6969 ↗
- Repozytorium
- scienceclaw ↗
- Licencja
- MIT
- Ostatnia zmiana repozytorium
- 07.10.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 1
- Skrypty
- 0
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 0
Brak sygnałów. Repozytorium zmienione 07.10.2026, bez odwołań do wycofanych modeli i API.
MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.
Co robi i kiedy
Buduje potok uczenia maszynowego dla badań naukowych: przygotowanie danych, inżynierię cech, dobór modelu, trenowanie, ewaluację i interpretację, w tym walidację krzyżową, strojenie hiperparametrów i wyjaśnialność.
Wyzwalacze z opisu
Oryginalny opis (EN)
Machine learning pipeline for scientific research including data preprocessing, feature engineering, model selection, training, evaluation, and interpretation. Covers supervised/unsupervised learning, deep learning, cross-validation, hyperparameter tuning, and model explainability. Use when user asks to build a predictive model, classify data, cluster samples, do feature selection, or apply ML to research data. Triggers on "machine learning", "classification", "clustering", "random forest", "neural network", "deep learning", "predict", "feature selection", "cross-validation", "train model".
Jak działa
- Pipeline Overview
- Model Selection Guide
- Standard Pipeline
- Feature Importance & Explainability
- Unsupervised Learning
- Reporting ML Results in Papers
- Tips
Podgląd SKILL.md
---
name: ml-pipeline
description: Machine learning pipeline for scientific research including data preprocessing, feature engineering, model selection, training, evaluation, and interpretation. Covers supervised/unsupervised learning, deep learning, cross-validation, hyperparameter tuning, and model explainability. Use when user asks to build a predictive model, classify data, cluster samples, do feature selection, or apply ML to research data. Triggers on "machine learning", "classification", "clustering", "random forest", "neural network", "deep learning", "predict", "feature selection", "cross-validation", "train model".
---
# ML Pipeline
Machine learning for scientific research. Venv: `source /Users/zhangmingda/clawd/.venv/bin/activate`
## Pipeline Overview
```
Data → Clean → Features → Split → Train → Evaluate → Interpret → Report
```
## Model Selection Guide
| Task | Data Size | Interpretability Need | Recommended |
|------|-----------|----------------------|-------------|
| Classification (small) | < 10K | High | Logistic Regression, Decision Tree |
| Classification (medium) | 10K-100K | Medium | Random Forest, XGBoost |
| Classification (large) | > 100K | Low OK | Neural Network, XGBoost |
| Regression (linear) | Any | High | Linear/Ridge/Lasso |
| Regression (nonlinear) | Medium+ | Medium | Random Forest, Gradient Boosting |
| Clustering | Any | Medium | K-Means, DBSCAN, Hierarchical |
| Dimensionality reduction | Any | Medium | PCA, t-SNE, UMAP |
| Anomaly detection | Any | Medium | Isolation Forest, LOF |
| Time series | Any | Varies | ARIMA, Prophet, LSTM |
## Standard Pipeline
```python
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split, cross_val_score, GridSearchCV
from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.metrics import classification_report, confusion_matrix, roc_auc_score
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
# 1. Preprocessing
X = df.drop('target', axis=1)
y = df['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)
# 2. Pipeline with scaling
pipe = Pipeline([
('scaler', StandardScaler()),
('model', RandomForestClassifier(random_state=42))
])
# 3. Cross-validation
scores = cross_val_score(pipe, X_train, y_train, cv=5, scoring='roc_auc')
print(f"CV AUC: {scores.mean():.3f} ± {scores.std():.3f}")
# 4. Hyperparameter tuning
param_grid = {
'model__n_estimators': [100, 300, 500],
'model__max_depth': [5, 10, None],
'model__min_samples_leaf': [1, 5, 10]
}
grid = GridSearchCV(pipe, param_grid, cv=5, scoring='roc_auc', n_jobs=-1)
grid.fit(X_train, y_train)
# 5. Evaluation
y_pred = grid.predict(X_test)
print(classification_report(y_test, y_pred))
print(f"Test AUC: {roc_auc_score(y_test, grid.predict_proba(X_test)[:,1]):.3f}")
```
## Feature Importance & Explainability
```python
# Built-in importance (tree models)
importances = grid.best_estimator_.named_steps['model'].feature_importances_
feat_imp = pd.Series(importances, index=X.columns).sort_values(ascending=False)
# SHAP values (model-agnostic)
# pip install shap
import shap
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_test)
shap.summary_plot(shap_values, X_test)
```
## Unsupervised Learning
```python
from sklearn.cluster import KMeans, DBSCAN
from sklearn.decomposition import PCA
from sklearn.manifold import TSNE
# PCA
pca = PCA(n_components=0.95) # retain 95% variance
X_pca = pca.fit_transform(X_scaled)
print(f"Components: {pca.n_components_}, Explained variance: {pca.explained_variance_ratio_.cumsum()[-1]:.3f}")
# K-Means with elbow method
inertias = [KMeans(n_clusters=k, random_state=42).fit(X_scaled).inertia_ for k in range(2, 11)]
# t-SNE visualization
X_tsne = TSNE(n_components=2, random_state=42, perplexity=30).fit_transform(X_scaled)
```
## Reporting ML Results in Papers
Always include:
1. Dataset description (size, features, class balance)
2. Preprocessing steps
3. Model selection rationale
4. Cross-validation strategy (k-fold, stratified, leave-one-out)
5. Hyperparameter search space and method
6. Multiple metrics (accuracy, precision, recall, F1, AUC)
7. Comparison with baselines
8. Feature importance / model interpretation
9. Confidence intervals or statistical tests on performance
10. Code/data availability statement
## Tips
- Always use stratified splits for imbalanced data
- Report multiple metrics, not just accuracy
- Compare against simple baselines (majority class, mean prediction)
- Use nested CV for unbiased performance estimation
- Check for data leakage (especially with time series)
- Document random seeds for reproducibility
Wersje
| Repozytorium | Wynik | Licencja |
|---|---|---|
| Ta strona · beita6969/scienceclaw | 100 | MIT |
| Jeffallan/claude-skills | 100 | MIT |
| nimadorostkar/Claude-Skills-collection | 100 | MIT |
| sandbaseai/sandbase-skills | 90 | Apache-2.0 |
Identyczna treść występuje jeszcze w 1 innych folderach na GitHubie. Tu pokazujemy jedną, najlepiej ocenioną kopię.
Migawka bazy z 28.10.2026 · wersja paczki bad9ca136c19 (skrót SHA-256 całej paczki)
Pobrania w ostatnich 30 dniach: 0 · ranking
Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.
Podobne skille
- 100scikit-learn
Pomaga budować, oceniać i wdrażać modele uczenia maszynowego w scikit-learn: preprocessing, feature engineering, dobór modeli, strojenie hiperparametrów, walidacja krzyżowa i pipeline'y. - 90data-scientist-pro
Prowadzi analizę danych i statystykę: EDA, inżynierię i selekcję cech, budowę modeli ML, strojenie hiperparametrów z walidacją krzyżową, interpretację SHAP i przekład wyników na biznes. - 100building-automl-pipelines
Buduje zautomatyzowane potoki uczenia maszynowego z inżynierią cech, doborem modelu i strojeniem hiperparametrów, od przygotowania danych po wdrożenie modelu. - 100building-automl-pipelines
Buduje zautomatyzowane potoki uczenia maszynowego z inżynierią cech, doborem modelu i strojeniem hiperparametrów, od przygotowania danych po wdrożenie modelu. - 100model-training
Trenuje modele uczenia maszynowego od początku do końca: ładowanie danych, preprocessing, dobór architektury, pętle treningowe, walidacja i checkpointy. - 95scikit-learn
Podpowiada użycie scikit-learn w Pythonie: klasyfikację, regresję, klasteryzację, dobór hiperparametrów i potoki przetwarzania.