engineering-features-for-machine-learning

特征工程工具包

创建、选择和转换特征，以提升机器学习模型的性能，处理缩放、编码、交互项和重要性分析。

概述

利用 feature-engineering-toolkit 插件增强机器学习模型。它可以自动创建新特征、选择最相关的特征，并转换现有特征，使其更符合模型的需求。使用此技能可提升机器学习模型的准确性、效率和可解释性。

工作原理

1. 分析需求：Claude 分析用户的请求，并确定所需的具体特征工程任务。
2. 生成代码：Claude 使用 feature-engineering-toolkit 插件生成 Python 代码，以执行所请求的任务，其中包括数据验证和错误处理。
3. 执行任务：运行生成的代码，按要求创建、选择或转换特征。
4. 提供洞见：Claude 提供与特征工程流程相关的性能指标和洞见，例如新建特征的重要性，或转换对模型性能的影响。

何时使用此技能

遇到以下需求时，此技能会激活：

• 从现有数据创建新特征，以提高模型准确性。
• 从数据集中选择最相关的特征，以降低模型复杂度并提升效率。
• 转换特征，使其更符合机器学习模型的假设（例如，缩放、归一化、编码）。

示例

示例 1：提高模型准确性

用户请求：“从现有的 ‘age’ 和 ‘income’ 列创建新特征，以提高客户流失预测模型的准确性。”

此技能将：

1. 生成代码，创建 ‘age’ 和 ‘income’ 之间的交互项（例如，age * income、age / income）。
2. 执行代码，并评估新特征对模型性能的影响。

示例 2：降低模型复杂度

用户请求：“从数据集中选择最重要的 10 个特征，以降低欺诈检测模型的复杂度。”

此技能将：

1. 生成代码，使用合适的方法计算特征重要性（例如，Random Forest、SelectKBest）。
2. 执行代码，并根据重要性得分选择前 10 个特征。

最佳实践

• 数据验证：执行特征工程前，务必验证输入数据，确保数据干净且一致。
• 特征缩放：缩放数值特征，以避免取值范围较大的特征主导模型。
• 类别特征编码：适当地对类别特征进行编码（例如，独热编码、标签编码），使其适用于机器学习模型。

集成

此技能与 feature-engineering-toolkit 插件集成，提供一种无缝方式，为机器学习模型创建、选择和转换特征。它可以与其他 Claude Code 技能配合使用，以构建完整的机器学习流水线。

前提条件

• 具有适当的文件访问权限
• 已安装所需依赖项

说明

1. 满足触发条件时调用此技能
2. 提供必要的上下文和参数
3. 检查生成的输出
4. 根据需要进行修改

输出

此技能会生成与任务相关的结构化输出。

错误处理

• 输入无效：提示进行更正
• 缺少依赖项：列出所需组件
• 权限错误：提供修复建议

资源

• 项目文档
• 相关技能和命令