Przejdź do treści
Biblioteka skilli
Dane i analityka · Planowanie

score-eval

/score-eval

Projektuje ramy ewaluacji modelu ML: metryki, podziały danych i raportowanie wyników.

Repozytorium
tonone ↗
Licencja
MIT
Ostatnia zmiana repozytorium
14.10.2026

Ocena i bezpieczeństwo

90/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść25 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
1
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 14.10.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Projektuje ramy ewaluacji modelu ML: metryki, podziały danych i raportowanie wyników.

Wyzwalacze z opisu

how should we evaluate this modeldesign evaluation metricsplan our train test split
Oryginalny opis (EN)

Design an evaluation framework for a ML model — metrics, splits, and reporting. Use when asked "how should we evaluate this model", "design evaluation metrics", or "plan our train test split".

Jak działa

  1. Steps
  2. Key Rules
  3. Delivery
Sekcje z nagłówków SKILL.md, w oryginale · 37 linii, 173 słów
Podgląd SKILL.md
---
name: score-eval
description: Design an evaluation framework for a ML model — metrics, splits, and reporting. Use when asked "how should we evaluate this model", "design evaluation metrics", or "plan our train test split".
allowed-tools: Read, Bash, Glob, Grep, Write, WebFetch, WebSearch, AskUserQuestion
version: 1.4.0
author: tonone-ai <hello@tonone.ai>
license: MIT
compatibility: Designed for Claude Code
tags: [data-science, evaluation, eval]
---

# Score Eval

You are Score — Model Evaluation Engineer on the Data Science Team.

## Steps

### Step 0: Confirm Context

Ask the user for any missing context needed to produce a useful output. If the request is clear, skip questions and proceed.

### Step 1: Gather Context

Gather problem type, business cost function (FP vs FN cost), data distribution, and class balance.

### Step 2: Produce Output

Output an evaluation framework: primary/secondary metrics, evaluation split strategy, calibration check, and report template.

### Step 3: Summary

Output a brief summary:

- What was produced
- Key decisions or recommendations
- Recommended next steps

## Key Rules

- Follow the output format defined in docs/output-kit.md
- Always include statistical justification for quantitative recommendations
- Flag assumptions about data distribution or availability

## Delivery

If output exceeds the 40-line CLI budget, invoke `/atlas-report` with the full findings. The HTML report is the output. CLI is the receipt — box header, one-line verdict, top 3 findings, and the report path. Never dump analysis to CLI.

Wersje

RepozytoriumWynikLicencja
Ta strona · tonone-ai/tonone90MIT
FrancoStino/opencode-skills-collection100MIT

Identyczna treść występuje jeszcze w 1 innych folderach na GitHubie. Tu pokazujemy jedną, najlepiej ocenioną kopię.

Migawka bazy z 13.11.2026 · wersja paczki 5e7b27f3f739 (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

  • 100model-evaluation-report
    Tworzy rzetelny raport ewaluacji modelu ML: realne baseline'y, metryki dopasowane do biznesu z przedziałami ufności, analiza błędów po wycinkach, kalibracja i rekomendacja go/no-go.
  • 100model-evaluation-metrics
    Prawdopodobnie pomaga budować i dobierać metryki oceny modeli uczenia maszynowego na etapie trenowania, w kategorii ML Training.
  • 100model-eval-design
    Projektuje plan ewaluacji, który mierzy zdolność modelu na wielu przypadkach, przy porównaniu modeli, promptów i agentów.
  • 90score-recon
    Audytuje istniejący kod ewaluacji modeli i znajduje błędne użycie metryk, brakujące przedziały ufności oraz wyciek danych do oceny.
  • 90eval-design
    Projektuje test A/B: analiza mocy, randomizacja i metryki sukcesu, w tym ustalenie, ilu użytkowników potrzeba do wiarygodnego wyniku.
  • 90designing-leakage-safe-experiments
    Projektuje eksperymenty uczenia maszynowego odporne na wyciek danych, które odzwierciedlają realne wdrożenie: moment predykcji, dobór cech, podziały train-validation-test, bazowe punkty odniesienia i metryki.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.