scikit-learnのガイダンスで機械学習モデルを迅速に構築。分類、回帰、クラスタリング、前処理、パイプライン、すぐに使える例によるモデル評価をカバーします。
スキルZIPをダウンロード
Claudeでアップロード
設定 → 機能 → スキル → スキルをアップロードへ移動
オンにして利用開始
テストする
「scikit-learn」を使用しています。 Build a classification model to predict customer churn
期待される結果:
- Model: RandomForestClassifier with 100 estimators
- Preprocessing: StandardScaler for numeric features, OneHotEncoder for categorical
- Cross-validation accuracy: 94.2% (+/- 1.3%)
- Top predictive features: contract_type, monthly_charges, tenure
- Recommendations: Consider GradientBoosting for higher accuracy, collect more features about customer complaints
セキュリティ監査
安全All 566 static findings are FALSE POSITIVES. The static analyzer misidentified markdown documentation syntax (backticks for code formatting) as shell commands, Python import examples as dynamic imports, and 'PC2' (Principal Component 2) as C2 command-and-control keywords. This is a pure documentation/reference skill containing legitimate scikit-learn ML examples with no network calls, credential access, or file exfiltration capabilities.
リスク要因
⚙️ 外部コマンド (2)
品質スコア
作れるもの
プロダクションMLパイプラインを構築する
前処理、モデル訓練、評価、ハイパーパラメータチューニングを含むエンドツーエンドのMLワークフローを作成する。
MLアルゴリズムを比較する
標準化されたメトリックとクロスバリデーションを使用して、異なる分類器、回帰器、クラスタリング手法を評価する。
教師なし学習を適用する
クラスタリング、次元削減、異常検知技術を使用して、データのパターンを発見する。
これらのプロンプトを試す
Build a classification model using scikit-learn. Use the breast cancer dataset. Train with train-test split, StandardScaler preprocessing, RandomForest classifier, and show classification report.
Perform clustering analysis on the iris dataset using scikit-learn. Compare K-Means, DBSCAN, and AgglomerativeClustering. Use elbow method and silhouette score to find optimal clusters. Visualize results with PCA.
Create a complete ML pipeline with ColumnTransformer for mixed numeric and categorical data. Include preprocessing (imputation, scaling, encoding), PCA for dimensionality reduction, and GradientBoosting classifier. Use GridSearchCV for hyperparameter tuning.
Evaluate a classification model using cross-validation. Show accuracy, precision, recall, F1-score, and ROC AUC. Create confusion matrix and learning curves. Compare with stratified k-fold for imbalanced classes.
ベストプラクティス
- クロスバリデーションでデータリークを防ぐために常にパイプラインを使用する
- 正規化入力を必要とするアルゴリズム（SVM、KNN、ニューラルネットワーク）では、訓練前に特徴量をスケーリングする
- 分類ではクラス分布を保持するために層化分割を使用する
回避
- 分割前にすべてのデータに前処理を適用する（データリークの原因となる）
- 不均衡な分類問題に対して精度のみを使用する
- 実験の再現性のためにrandom_stateを設定しない