# scikit-learn

Скилл scikit-learn для классического ML на Python: помогает выбрать алгоритм и собрать пайплайн, чтобы данные не утекли в оценку.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode, Windsurf (Devin Desktop), Claude.ai · 124 установки · ★ 7 у репозитория
- Автор: eyadsibai
- Лицензия: не указана · policy=link-only · показываем только описание, файл — у автора
- Исходник: https://github.com/eyadsibai/ltk/tree/HEAD/plugins/ltk-data/skills/scikit-learn/SKILL.md
- Обновлён: 2026-01-15
- Проверка безопасности: автоматическая, 2026-11-16 (текст) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/skills/eyadsibai-scikit-learn

## Что делает

Скилл включается, когда в разговоре всплывают sklearn, классификация, кластеризация или подбор гиперпараметров, и сразу даёт агенту таблицу выбора алгоритма. Логистическая регрессия как базовая линия, случайный лес для общей задачи, градиентный бустинг когда важна точность на табличных данных, SVM для широкого набора признаков. Для кластеризации свои параметры: `n_clusters` у KMeans, `eps` у DBSCAN.

Дальше начинается работа с пайплайнами. `Pipeline` держит преобразования внутри обучающей выборки, `ColumnTransformer` разводит разные трансформации по колонкам. Порядок предобработки предложен такой: заполнить пропуски, отмасштабировать числа, закодировать категории. Для оценки есть KFold, StratifiedKFold, TimeSeriesSplit и LeaveOneOut плюс таблица метрик под каждую задачу.

Ограничения тоже названы прямо. `HalvingGridSearchCV` требует sklearn 0.24 или новее. Если классы неравные, accuracy в отчёте почти ничего не значит, и скилл велит считать F1 или ROC-AUC. А масштабирование до разбиения на train и test — та самая утечка, о которой он предупреждает.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add eyadsibai/ltk --skill scikit-learn -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/scikit-learn/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/scikit-learn/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add eyadsibai/ltk --skill scikit-learn -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/scikit-learn/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add eyadsibai/ltk --skill scikit-learn -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/scikit-learn/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install eyadsibai/ltk plugins/ltk-data/skills/scikit-learn
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/scikit-learn/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add eyadsibai/ltk --skill scikit-learn -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/eyadsibai/ltk --path plugins/ltk-data/skills/scikit-learn
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/scikit-learn/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add eyadsibai/ltk --skill scikit-learn -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/eyadsibai/ltk/tree/HEAD/plugins/ltk-data/skills/scikit-learn/SKILL.md

## Когда брать
- Выбрать алгоритм под табличную задачу классификации
- Собрать пайплайн без утечки данных в предобработке
- Подобрать гиперпараметры без полного перебора сетки
- Выбрать метрику для несбалансированных классов
- Прочитать кривые обучения и понять, где переобучение

## Примеры запросов агенту
- Собери пайплайн для этой таблицы: `ColumnTransformer` для категорий, `StandardScaler` для числовых колонок.
- Раздели данные на train и test, прогони `StratifiedKFold` и покажи F1 по фолдам.
- Подбери гиперпараметры для `RandomForestClassifier` через `RandomizedSearchCV` и выведи лучшие значения.

## Похожие
- [scikit-learn-best-practices](https://affpapa.org/nevibecode/skills/scikit-learn-best-practices.md) — скилл · 940 установок
- [scikit-learn-expert](https://affpapa.org/nevibecode/agents/scikit-learn-expert.md) — субагент · ★ 1029 у репозитория
- [pytorch-scikit-learn-cursorrules-prompt-file](https://affpapa.org/nevibecode/rules/pytorch-scikit-learn-cursorrules-prompt-file.md) — правило · ★ 41178 у репозитория
- [pandas-scikit-learn-guide-cursorrules-prompt-file](https://affpapa.org/nevibecode/rules/pandas-scikit-learn-guide-cursorrules-prompt-file.md) — правило · ★ 41178 у репозитория
- [scikit-survival](https://affpapa.org/nevibecode/skills/scikit-survival.md) — скилл · 2200 установок
- [Anomaly Detection](https://affpapa.org/nevibecode/skills/anomaly-detection.md) — скилл · 534 установки

## Другие версии с тем же именем
- [scikit-learn · k-dense-ai](https://affpapa.org/nevibecode/skills/k-dense-ai-scikit-learn.md) — 2400 установок
- [scikit-learn · tondevrel](https://affpapa.org/nevibecode/skills/tondevrel-scikit-learn.md) — 122 установки

Из того же набора: [eyadsibai/ltk](https://affpapa.org/nevibecode/by/eyadsibai/ltk.md) — 11 карточек

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md
