用途
该技能使 Claude 能够利用 feature-engineering-toolkit 插件来增强机器学习模型。它自动化了创建新特征、选择最相关特征以及转换现有特征的过程，使其更契合模型需求。使用该技能可以提升机器学习模型的准确率、效率和可解释性。
主要能力
- 创建新特征：从现有数据中构造新特征，以提升模型准确率。
- 特征选择：从数据集中筛选最相关的特征，降低模型复杂度并提升效率。
- 特征转换：对特征进行变换，使其更符合机器学习模型的假设（例如缩放、归一化、编码）。
使用方式
技能的工作流程如下：
- 分析需求：Claude 分析用户请求，识别所需的特定特征工程任务。
- 生成代码：Claude 使用 feature-engineering-toolkit 插件生成 Python 代码来执行所请求的任务，其中包含数据校验与错误处理。
- 执行任务：运行生成的代码，按请求创建、选择或转换特征。
- 提供洞察：Claude 给出与特征工程过程相关的性能指标和洞察，例如新建特征的重要性，或转换对模型性能的影响。
适用场景
该技能在以下情况会被激活：
- 需要从现有数据创建新特征以提升模型准确率。
- 需要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。
- 需要转换特征，使其更符合机器学习模型的假设（例如缩放、归一化、编码）。
示例一：提升模型准确率
用户请求：“从现有的 'age' 和 'income' 列创建新特征，以提升客户流失预测模型的准确率。”
技能将：
- 生成代码，在 'age' 与 'income' 之间创建交互项（例如 age * income、age / income）。
- 执行代码并评估新特征对模型性能的影响。
示例二：降低模型复杂度
用户请求：“从数据集中选择最重要的前 10 个特征，以降低欺诈检测模型的复杂度。”
技能将：
- 生成代码，使用合适的方法（例如 Random Forest、SelectKBest）计算特征重要性。
- 执行代码，并依据重要性得分选出前 10 个特征。
最佳实践
- 数据校验：在执行特征工程前，始终校验输入数据，确保其干净且一致。
- 特征缩放：对数值特征进行缩放，防止取值范围较大的特征主导模型。
- 类别特征编码：对类别特征进行适当编码（例如独热编码、标签编码），使其适用于机器学习模型。
集成与限制
该技能与 feature-engineering-toolkit 插件集成，为机器学习模型的特征创建、选择和转换提供顺畅的途径，并可与其他 Claude Code 技能配合使用，构建完整的机器学习流水线。
关于该技能的收费、价格、支持平台、具体效果等事实，资料中暂未提供。