# scikit-learn-best-practices

Скилл задаёт агенту правила работы со scikit-learn: пайплайны, кросс-валидация, метрики, сохранение моделей. Пригодится, когда пишете ML-код на Python.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 888 установок · ★ 286
- Автор: Mindrally
- Лицензия: Apache-2.0 · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/Mindrally/skills/tree/HEAD/scikit-learn-best-practices/SKILL.md
- Обновлён: 2026-10-08
- HTML: https://affpapa.org/nevibecode/skills/scikit-learn-best-practices

## Что делает

Скилл описывает, как вести проект на scikit-learn: сначала делить данные на train/validation/test, потом готовить признаки, строить пайплайны и только в конце один раз проверять на отложенной выборке. Агент получает эти правила и подсказывает их в вашем коде вместо того, чтобы лепить `fit` на всём датасете.

Внутри — разделы по подготовке данных, инженерии признаков, подбору гиперпараметров, метрикам для классификации и регрессии, работе с дисбалансом классов и сохранению моделей. Для масштабирования названы `StandardScaler`, `MinMaxScaler` и `RobustScaler` под разные распределения, для категорий — `OneHotEncoder`, `OrdinalEncoder`, `LabelEncoder`. Пайплайны через `Pipeline` и `ColumnTransformer` подаются как способ не допустить утечки данных: трансформеры обучаются только на train. Модели советует сохранять через `joblib` целиком, вместе с пайплайном.

Скилл текстовый, ничего не запускает и не ставит зависимости. Он опирается на то, что scikit-learn у вас уже есть, а примеры кода рассчитаны на Python. Если в проекте другой стек для ML, пользы от него не будет.

## Установка

### Claude Code (родная платформа)

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

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

### Codex

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

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

### Cursor

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

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

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install Mindrally/skills scikit-learn-best-practices
```

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

### Gemini CLI

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

2. **Командой платформы**
```bash
gemini skills install https://github.com/Mindrally/skills --path scikit-learn-best-practices
```

### Windsurf (Devin Desktop)

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

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add Mindrally/skills --skill scikit-learn-best-practices -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/Mindrally/skills/tree/HEAD/scikit-learn-best-practices/SKILL.md

## Когда брать
- разделить данные до препроцессинга и не потерять воспроизводимость
- собрать `Pipeline` из скейлера и модели, чтобы не было утечки
- выбрать метрику под дисбаланс классов вместо accuracy
- подобрать гиперпараметры через `GridSearchCV` или `RandomizedSearchCV`
- сохранить обученный пайплайн в файл через `joblib`

## Примеры запросов агенту
- Собери пайплайн из `StandardScaler` и `RandomForestClassifier`, проверь через кросс-валидацию
- Почему accuracy здесь плохая метрика? Подбери метрику под дисбаланс классов
- Сохрани обученный пайплайн через `joblib` и опиши, какие гиперпараметры использовал

## Похожие
- [scikit-learn](https://affpapa.org/nevibecode/skills/k-dense-ai-scikit-learn.md) — скилл · 2200 установок
- [scikit-survival](https://affpapa.org/nevibecode/skills/scikit-survival.md) — скилл · 2000 установок
- [data-scientist](https://affpapa.org/nevibecode/agents/voltagent-community-data-scientist.md) — субагент · 3342 установки
- [statistics-math](https://affpapa.org/nevibecode/skills/statistics-math.md) — скилл · 432 установки
- [Model Hyperparameter Tuning](https://affpapa.org/nevibecode/skills/model-hyperparameter-tuning.md) — скилл · 494 установки
- [ML Model Training](https://affpapa.org/nevibecode/skills/ml-model-training.md) — скилл · 515 установок

Из того же набора: [mindrally/skills](https://affpapa.org/nevibecode/by/mindrally/skills.md) — 168 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

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