score-eval
/score-eval
Projektuje ramy ewaluacji modelu ML: metryki, podziały danych i raportowanie wyników.
- Autor
- tonone-ai ↗
- Repozytorium
- tonone ↗
- Licencja
- MIT
- Ostatnia zmiana repozytorium
- 14.10.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 1
- Skrypty
- 0
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 0
Brak sygnałów. Repozytorium zmienione 14.10.2026, bez odwołań do wycofanych modeli i API.
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
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
- Steps
- Key Rules
- Delivery
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
| Repozytorium | Wynik | Licencja |
|---|---|---|
| Ta strona · tonone-ai/tonone | 90 | MIT |
| FrancoStino/opencode-skills-collection | 100 | MIT |
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.