скилл CX Codex

regression-modeler — скилл для Claude Code: регрессия по CSV

Q: Как установить regression-modeler в Claude?

Выполните `npx skills add zebbern/claude-code-guide --skill regression-modeler -a claude-code`. Скилл появится в `~/.claude/skills/regression-modeler/SKILL.md`.

Считает линейную или логистическую регрессию по вашей таблице и объясняет коэффициенты простыми словами. Пригодится, когда надо проверить значимость признаков без ручного кода.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓

npx skills add zebbern/claude-code-guide --skill regression-modeler -a claude-code

Открыть на GitHub

Что делает regression-modeler

Скилл запускает scripts/regression_analyzer.py на файле CSV, TSV, Excel или JSON. Целевую колонку задаёте через --target, признаки — через --features списком через запятую. Если признаки не указать, берутся все числовые столбцы.

На выходе — коэффициенты, R² и скорректированный R², F-тест, AIC/BIC, тест Дарбина — Уотсона для линейной модели. Для логистической — коэффициенты, отношения шансов, псевдо-R² и тест отношения правдоподобия. Отдельно считаются VIF по каждому предиктору с уровнями предупреждения, так что мультиколлинеарность видно сразу. Тип регрессии по умолчанию auto: бинарная цель из нулей и единиц переключает модель на логистическую.

Нужен Python 3.8+ и пакеты pandas, numpy, statsmodels, scipy. Строки с пропусками по умолчанию отбрасываются, оставить их можно флагом --keep-na — это для отладки. Результат уходит в stdout или в JSON через --output.

Какие задачи решает

посчитать коэффициенты линейной регрессии по таблице
проверить значимость признаков через p-value
найти мультиколлинеарность по VIF
подобрать логистическую модель для бинарной цели
получить разбор метрик человеческим языком

Примеры запросов агенту

прогони регрессию по data.csv, цель — price
посчитай логистическую регрессию для churn по признакам age, income, tenure
сохрани результаты регрессии в result.json

Как установить regression-modeler

1Через Skills CLI (Vercel)

npx skills add zebbern/claude-code-guide --skill regression-modeler -a claude-code

2Вручную: положить файлы

~/.claude/skills/regression-modeler/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/regression-modeler/

1Через Skills CLI (Vercel)

npx skills add zebbern/claude-code-guide --skill regression-modeler -a codex

2Вручную: положить файлы

.agents/skills/regression-modeler/SKILL.md

Для всех проектов — ~/.agents/skills/

1Через Skills CLI (Vercel)

npx skills add zebbern/claude-code-guide --skill regression-modeler -a cursor

2Вручную: положить файлы

.cursor/skills/regression-modeler/SKILL.md

Cursor читает и .agents/skills/, и .claude/skills/

1GitHub CLI

gh skill install zebbern/claude-code-guide regression-modeler

2Вручную: положить файлы

.github/skills/regression-modeler/SKILL.md

1Через Skills CLI (Vercel)

npx skills add zebbern/claude-code-guide --skill regression-modeler -a gemini-cli

2Командой платформы

gemini skills install https://github.com/zebbern/claude-code-guide --path skills/regression-modeler

Вручную: положить файлы

.devin/skills/regression-modeler/SKILL.md

Старый путь .windsurf/skills/ тоже читается

Через Skills CLI (Vercel)

npx skills add zebbern/claude-code-guide --skill regression-modeler -a opencode

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о regression-modeler

Как установить regression-modeler в Claude?

Выполните npx skills add zebbern/claude-code-guide --skill regression-modeler -a claude-code. Скилл появится в ~/.claude/skills/regression-modeler/SKILL.md.

Что делает regression-modeler?

Считает линейную (OLS) или логистическую регрессию по загруженной таблице: коэффициенты, R², p-value, VIF, а также даёт пояснения к метрикам обычным языком.

Что нужно для работы скилла?

Python 3.8+ и библиотеки pandas, numpy, statsmodels, scipy — ставятся командой pip install pandas numpy statsmodels scipy.

Исходный текст

SKILL.md · MIT

---
name: regression-modeler
description: "Run regression analysis (OLS or logistic) on uploaded CSV/Excel data, generating coefficients, R², p-values, VIF, and plain-language interpretation. Triggered by requests for regression modeling, fitting data, testing significance, checking multicollinearity, or keywords like OLS, logit, coefficient, p-value, or R-squared."
license: MIT
---

# regression-modeler

Automated regression modeling tool — performs linear regression (OLS) or logistic regression (Logit) on tabular data, producing comprehensive statistical results with plain-language interpretation.

## Capabilities

| Feature | Description |
|---------|-------------|
| Linear Regression | OLS with coefficients, R², adjusted R², F-test, AIC/BIC, Durbin-Watson |
| Logistic Regression | Logit with coefficients, Odds Ratio, Pseudo R², likelihood ratio test |
| Multicollinearity Detection | VIF values for each predictor with warning levels |
| Plain-Language Interpretation | Clear explanations of what each metric and coefficient means |
| Auto Detection | Automatically switches to logistic regression when the target is binary (0/1) |

## Quick Start

```bash
# Linear regression: predict price using all numeric columns as predictors
python3 scripts/regression_analyzer.py data.csv --target price

# Logistic regression: predict churn (0/1) with specified features
python3 scripts/regression_analyzer.py users.csv --target churn --features "age,income,tenure"

# Save results to JSON
python3 scripts/regression_analyzer.py data.csv --target sales --output result.json
```

## Detailed Usage

### Basic Invocation

```bash
python3 scripts/regression_analyzer.py <data_file> --target <target_column> [options]
```

### Specifying Regression Type

```bash
# Force linear regression
python3 scripts/regression_analyzer.py data.csv -t y --type linear

# Force logistic regression
python3 scripts/regression_analyzer.py data.csv -t label --type logistic

# Auto-detect (default)
python3 scripts/regression_analyzer.py data.csv -t y --type auto
```

### Selecting Feature Columns

```bash
# Manually specify (comma-separated)
python3 scripts/regression_analyzer.py data.csv -t price -f "sqft,bedrooms,bathrooms"

# Omit to automatically use all numeric columns
python3 scripts/regression_analyzer.py data.csv -t price
```

## Parameters

| Parameter | Short | Required | Default | Description |
|-----------|-------|----------|---------|-------------|
| `input` | — | Yes | — | Input file path (CSV/TSV/Excel/JSON) |
| `--target` | `-t` | Yes | — | Target variable (dependent variable) column name |
| `--features` | `-f` | No | All numeric columns | Predictor column names, comma-separated |
| `--type` | `-T` | No | `auto` | Regression type: `linear` / `logistic` / `auto` |
| `--output` | `-o` | No | stdout | Output JSON file path |
| `--no-const` | — | No | `false` | Do not add an intercept term |
| `--keep-na` | — | No | `false` | Keep rows with missing values (for debugging) |

## Output Structure (JSON)

```json
{
  "type": "linear",
  "r_squared": 0.8523,
  "r_squared_adj": 0.8471,
  "f_statistic": 162.34,
  "f_p_value": 0.0,
  "coefficients": {
    "sqft": {"coefficient": 135.42, "p_value": 0.0001, ...},
    "bedrooms": {"coefficient": 8021.5, "p_value": 0.032, ...}
  },
  "vif": {"sqft": 2.31, "bedrooms": 1.87},
  "interpretation": {
    "model_summary": ["R² = 0.8523 (good model fit...)"],
    "variable_analysis": ["sqft: coefficient = 135.42... positive effect..."]
  }
}
```

## Dependencies

- Python 3.8+
- pandas
- numpy
- statsmodels
- scipy

```bash
pip install pandas numpy statsmodels scipy
```

Из того же набора12