Linear Regression MCP

Linear Regression MCP

欢迎使用 Linear Regression MCP！本项目展示了如何使用 Claude 和 Model Context Protocol（MCP）端到端地完成机器学习工作流。

只需上传包含数据集的 CSV 文件，Claude 就能独立训练线性回归模型。系统会完整执行机器学习模型训练生命周期，处理数据预处理、训练和评估（计算 RMSE）。

设置与安装

1. 克隆代码库：

首先，将代码库克隆到本地计算机：

git clone https://github.com/HeetVekariya/Linear-Regression-MCP
cd Linear-Regression-MCP

2. 安装 uv：

uv 是一款用 Rust 编写的超高速 Python 包和项目管理器。它对于管理本项目中的服务和依赖项至关重要。

• 从此处下载并安装 uv。

3. 安装依赖项：

安装 uv 后，运行以下命令以安装所有必需的依赖项：

uv sync

4. 配置 Claude Desktop：

若要将服务与 Claude Desktop 集成，需要修改 Claude 配置文件。请按照对应操作系统的说明操作：

• 对于 macOS 或 Linux：

code ~/Library/Application\ Support/Claude/claude_desktop_config.json

• 对于 Windows：

code $env:AppData\Claude\claude_desktop_config.json

• 在配置文件中找到 mcpServers 部分，并将占位路径替换为 uv 安装目录和 Linear Regression 项目目录的绝对路径。配置应如下所示：

{
    "mcpServers":
    {
        "linear-regression": 
        {
            "command": "ABSOLUTE/PATH/TO/.local/bin/uv",
            "args":
            [
                "--directory",
                "ABSOLUTE/PATH/TO/YOUR-LINEAR-REGRESSION-REPO", 
                "run",
                "server.py"
            ] 
        }
    }
}

• 保存文件后，重启 Claude Desktop，以连接 MCP 服务。

可用工具

本项目提供以下工具，帮助你处理数据集并训练模型：

工具	描述	参数
upload_file(path)	上传 CSV 文件并将其保存以供处理。	path：CSV 文件的绝对路径。
get_columns_info()	获取已上传数据集中的列名。	无参数。
check_category_columns()	检查数据集中是否存在类别列。	无参数。
label_encode_categorical_columns()	将类别列进行标签编码，转换为数值。	无参数。
train_linear_regression_model(output_column)	训练线性回归模型并计算 RMSE。	output_column：目标列的名称。

欢迎贡献

欢迎为此项目贡献！无论是修复错误、添加新功能，还是改进文档，都可以随时 fork 此仓库并提交拉取请求。

如果你有任何建议或功能请求，请创建一个 issue，我很乐意与您讨论！

👀