用途
该技能用于让 Claude 构建和部署分类模型。它面向需要从给定数据集训练分类器、预测类别结果或评估分类模型性能的任务，自动完成模型选择、训练与评估，并提供性能洞察与潜在改进建议。
主要能力
- 上下文分析：分析用户请求，识别数据集、目标变量以及分类模型的具体要求。
- 模型生成：借助 classification-model-builder 插件，根据识别出的数据集与需求生成训练分类模型的代码，涵盖数据预处理、特征选择、模型选择和超参数调优。
- 评估与报告：训练并评估生成的模型，使用准确率、精确率、召回率、F1 分数等指标，向用户提供性能指标与洞察。
使用方式
该技能在以下情况被激活：需要从给定数据集构建分类模型、训练分类器以预测类别结果、评估分类模型的性能。
示例一：构建垃圾邮件分类器。用户请求“使用这个数据集构建一个检测垃圾邮件的分类器”，技能会分析所提供的邮件数据集，识别特征与目标变量（垃圾邮件/非垃圾邮件），并生成 Python 代码（通过 classification-model-builder 插件）训练垃圾邮件分类模型，包括数据清洗、特征提取和模型选择。
示例二：预测客户流失。用户请求“使用客户数据创建一个预测客户流失的分类模型”，技能会分析客户数据，识别相关特征与流失状态，生成构建流失预测分类模型的代码，包括数据验证、模型训练和性能报告。
适用场景
适用于垃圾邮件检测、客户流失预测等需要预测类别结果的分类任务，也可与其他数据分析和可视化插件配合使用。
最佳实践
- 数据质量：在训练模型前确保输入数据干净且经过预处理。
- 模型选择：根据数据特征和任务的具体要求选择合适的分类算法。
- 超参数调优：优化模型超参数以获得尽可能好的性能。
集成
该技能与 classification-model-builder 插件集成，以自动化模型构建过程，也可与其他数据分析和可视化插件结合使用。
限制
资料未提供该技能的具体收费、价格、支持平台、模型算法清单或效果保证等信息。