scikit-learn
scikit-learnの機械学習ワークフローを構築する
機械学習プロジェクトには、一貫した前処理、評価、モデル選択のパターンが必要です。このスキルは、Claude、Codex、Claude Codeに対して、参考資料と例を含むscikit-learnに特化したガイダンスを提供します。
自分のエージェントでインストール
このリクエストをエージェントにコピーしてください。正規の Skill ページとマニフェストが含まれています。
Review the Skillstore skill "scikit-learn" from https://skillstore.io/skills/davila7-scikit-learn.md and its manifest at https://skillstore.io/api/skills/davila7-scikit-learn/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.エージェントは引き続き計画を提示し、セキュリティポリシーで必要な確認を求める必要があります。
エージェントが読めるリソース
AI エージェント、クローラー、スクリプトがページ全体ではなく整理されたコンテキストを必要とする場合は、これらのリンクを使ってください。
テストする
「scikit-learn」を使用しています。 数値列とカテゴリ列を使って顧客離脱を分類する必要があります。
期待される結果:
分割戦略、ColumnTransformerのステップ、候補分類器、スコアリング指標、検証チェックを含むパイプライン計画。
「scikit-learn」を使用しています。 ラベルなしで顧客セグメントを見つけたいです。
期待される結果:
スケーリング、Kの選択、アルゴリズム比較、シルエット分析、PCA可視化ガイダンスを含むクラスタリングワークフロー。
「scikit-learn」を使用しています。 モデルは検証では良好に動作しますが、新しいデータでは性能が低下します。
期待される結果:
リーク、分割戦略、指標の選択、過学習、特徴量ドリフト、より単純なモデルの代替案を扱う診断チェックリスト。
セキュリティ監査
安全All 89 static findings are false positives caused by Python import formatting, machine learning terminology, documented local caching, Markdown backticks, and official documentation links. No prompt injection, credential access, exfiltration, unsafe dynamic execution, or hostile intent was found.
リスク要因
⚡ スクリプトを含む (7)
📁 ファイルシステムへのアクセス (5)
⚙️ 外部コマンド (50)
🌐 ネットワークアクセス (4)
このレポートを共有・引用
バージョン付き評価レポート、中立的なバッジ、埋め込みカード、引用を共有できます。Skillstore は証拠を報告しますが、この Skill が安全かどうかは判断しません。
レポートリンクをコピー
https://skillstore.io/skills/davila7-scikit-learn/audits/9?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdownバッジ
[](https://skillstore.io/skills/davila7-scikit-learn?utm_source=security_passport_badge)HTMLバッジ
<a href="https://skillstore.io/skills/davila7-scikit-learn?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/davila7-scikit-learn/security.svg" alt="Skillstore security assessment" loading="lazy"></a>埋め込みカード
<iframe src="https://skillstore.io/embed/skills/davila7-scikit-learn.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>学術引用 (APA · BibTeX · CFF)
APA形式の引用
davila7. (2026). scikit-learn security audit report (audit version 9) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-scikit-learn/audits/9BibTeX形式の引用
@techreport{davila7-davila7-scikit-learn-2026,
author = {davila7},
title = {scikit-learn security audit report (audit version 9)},
institution = {Skillstore},
year = {2026},
number = {9},
url = {https://skillstore.io/skills/davila7-scikit-learn/audits/9},
note = {Author version unspecified}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "scikit-learn security audit report (audit version 9)"
version: "unspecified"
type: report
authors:
- name: "davila7"
date-released: "2026-07-23"
url: "https://skillstore.io/skills/davila7-scikit-learn/audits/9"
identifiers:
- type: other
value: "skillstore:davila7-scikit-learn:audit:9"
description: "Skillstore immutable audit report identifier"
バリアントを比較
インストール可能なバリアント 2 件各作者のスキルは個別のインストール項目として維持されます。推奨バリアントは Skillstore の証拠で順位付けされます。
このバリアントが首位の理由
Skillstore スコア
このスコアの理由 証拠の信頼度: 高作成できるもの
ベースライン分類器を構築する
表形式の分類タスク向けに、train/test split、前処理パイプライン、候補モデル、評価計画を作成します。
MLパイプラインを標準化する
PipelineとColumnTransformerのパターンを使用して、実験全体で前処理、学習、検証の一貫性を保ちます。
顧客セグメントを探索する
クラスタリングアルゴリズムを比較し、指標を選択し、次元削減でグループを可視化します。
これらのプロンプトを試す
私の表形式データセット向けに、基本的なscikit-learn分類パイプラインを作成してください。train/test split、前処理、評価指標を含めてください。
この問題について、複数のscikit-learnモデルを比較してください: [describe dataset and target]。指標とクロスバリデーション戦略を推奨してください。
ColumnTransformerとPipelineを使って、数値データとカテゴリデータが混在する前処理ワークフローを構築してください。データリークを避ける方法を説明してください。
[objective]向けに、ネストされたクロスバリデーション、カスタムスコアリング、ハイパーパラメータチューニングを含む高度なモデル選択計画を設計してください。リークチェックとレポート作成のガイダンスも含めてください。
ベストプラクティス
- データリークを減らすために、前処理はPipelineまたはColumnTransformerの中に入れてください。
- モデルを選択する前に、クロスバリデーションとタスクに適した指標を使用してください。
- 例を実行する前に、生成されたファイルパスとモデル永続化の手順を確認してください。
回避
- 分割前にデータセット全体でスケーラーや欠損値補完器をfitすること。
- 不均衡な分類問題でaccuracyだけを使用すること。
- 信頼できないソースからpickleまたはjoblibのモデルファイルを読み込むこと。
よくある質問
このスキルは何の構築に役立ちますか？
学習を自動的に実行しますか？
分類と回帰の両方をサポートしていますか？
数値データとカテゴリデータが混在するデータを扱えますか？
ハイパーパラメータチューニングを扱っていますか？
機密データで使用しても安全ですか？
開発者情報
作成者
davila7ライセンス
MIT
Skillstore リビジョン
r2
バージョンに関する注意
作者はバージョンを宣言していません。
参照
c43861a65bb95efcae259cd161c9d6f4dc7eec6f
メンテナンスの新しさ
2026/7/24
利用状況
7 ダウンロード · 231 閲覧