scipy-curve-fit — скилл для Claude Code: что делает и как установить
Скилл scipy-curve-fit обучает агента подбирать параметры нелинейных моделей по экспериментальным данным через scipy.optimize.curve_fit.
Apache-2.0 2 установок ★ 1 933 обновлён 2026-10-24
npx skills add benchflow-ai/skillsbench --skill scipy-curve-fit -a claude-codeЧто делает scipy-curve-fit
Скилл содержит готовые шаблоны и правила для аппроксимации данных методом наименьших квадратов в Python. Внутри описана настройка вызова scipy.optimize.curve_fit, расчёт начальных приближений p0 и задание диапазонов bounds, чтобы исключить невозможные значения параметров.
Отдельный блок посвящён анализу переходных характеристик первого порядка. Агент получает формулы для оценки коэффициента передачи K, постоянной времени tau, а также вычисления метрик R-squared и среднеквадратичной ошибки RMSE.
Без установленных библиотек scipy и numpy код не запустится. Если данные содержат пропуски NaN или начальное приближение взято наугад, расчёт завершится с RuntimeError.
Какие задачи решает
- Подобрать параметры нелинейной модели по экспериментальным точкам
- Настроить границы
boundsи стартовые приближенияp0дляcurve_fit - Смоделировать переходную характеристику первого порядка с коэффициентами
Kиtau - Рассчитать коэффициент детерминации
R^2и ошибкуRMSE
Примеры запросов агенту
- Помоги оценить параметры K и tau для переходной характеристики первого порядка по массивам времени и отклика
- Напиши код с scipy.optimize.curve_fit, задай начальные приближения p0 и границы bounds
- Посчитай R-squared и RMSE для результатов подгонки экспериментальных данных
Как установить scipy-curve-fit
1Через Skills CLI (Vercel)
npx skills add benchflow-ai/skillsbench --skill scipy-curve-fit -a claude-code2Вручную: положить файлы
~/.claude/skills/scipy-curve-fit/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/scipy-curve-fit/
1Через Skills CLI (Vercel)
npx skills add benchflow-ai/skillsbench --skill scipy-curve-fit -a codex2Вручную: положить файлы
.agents/skills/scipy-curve-fit/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add benchflow-ai/skillsbench --skill scipy-curve-fit -a cursor2Вручную: положить файлы
.cursor/skills/scipy-curve-fit/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install benchflow-ai/skillsbench tasks/hvac-control/environment/skills/scipy-curve-fit2Вручную: положить файлы
.github/skills/scipy-curve-fit/SKILL.md1Через Skills CLI (Vercel)
npx skills add benchflow-ai/skillsbench --skill scipy-curve-fit -a gemini-cli2Командой платформы
gemini skills install https://github.com/benchflow-ai/skillsbench --path tasks/hvac-control/environment/skills/scipy-curve-fitВручную: положить файлы
.devin/skills/scipy-curve-fit/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add benchflow-ai/skillsbench --skill scipy-curve-fit -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о scipy-curve-fit
Как установить scipy-curve-fit в Claude Code?
Выполните в терминале команду npx skills add benchflow-ai/skillsbench --skill scipy-curve-fit -a claude-code. Файл инструкции сохранится по пути ~/.claude/skills/scipy-curve-fit/SKILL.md.
Что делает скилл scipy-curve-fit?
Он даёт ассистенту инструкции по нелинейной оптимизации методом наименьших квадратов с помощью scipy.optimize.curve_fit. Это помогает корректно определять физические коэффициенты и проверять качество модели.
Что делать при ошибке RuntimeError во время оптимизации?
Ошибка означает, что алгоритм не сошёлся. Проверьте данные на отсутствие NaN и задайте стартовые значения p0, например рассчитав tau по времени достижения 63.2% отклика.
Исходный текст
SKILL.md · Apache-2.0
---
name: scipy-curve-fit
description: Use scipy.optimize.curve_fit for nonlinear least squares parameter estimation from experimental data.
---
# Using scipy.optimize.curve_fit for Parameter Estimation
## Overview
`scipy.optimize.curve_fit` is a tool for fitting models to experimental data using nonlinear least squares optimization.
## Basic Usage
```python
from scipy.optimize import curve_fit
import numpy as np
# Define your model function
def model(x, param1, param2):
return param1 * (1 - np.exp(-x / param2))
# Fit to data
popt, pcov = curve_fit(model, x_data, y_data)
# popt contains the optimal parameters [param1, param2]
# pcov contains the covariance matrix
```
## Fitting a First-Order Step Response
```python
import numpy as np
from scipy.optimize import curve_fit
# Known values from experiment
y_initial = ... # Initial output value
u = ... # Input magnitude during step test
# Define the step response model
def step_response(t, K, tau):
"""First-order step response with fixed initial value and input."""
return y_initial + K * u * (1 - np.exp(-t / tau))
# Your experimental data
t_data = np.array([...]) # Time points
y_data = np.array([...]) # Output readings
# Perform the fit
popt, pcov = curve_fit(
step_response,
t_data,
y_data,
p0=[K_guess, tau_guess], # Initial guesses
bounds=([K_min, tau_min], [K_max, tau_max]) # Parameter bounds
)
K_estimated, tau_estimated = popt
```
## Setting Initial Guesses (p0)
Good initial guesses speed up convergence:
```python
# Estimate K from steady-state data
K_guess = (y_data[-1] - y_initial) / u
# Estimate tau from 63.2% rise time
y_63 = y_initial + 0.632 * (y_data[-1] - y_initial)
idx_63 = np.argmin(np.abs(y_data - y_63))
tau_guess = t_data[idx_63]
p0 = [K_guess, tau_guess]
```
## Setting Parameter Bounds
Bounds prevent physically impossible solutions:
```python
bounds = (
[lower_K, lower_tau], # Lower bounds
[upper_K, upper_tau] # Upper bounds
)
```
## Calculating Fit Quality
### R-squared (Coefficient of Determination)
```python
# Predicted values from fitted model
y_predicted = step_response(t_data, K_estimated, tau_estimated)
# Calculate R-squared
ss_residuals = np.sum((y_data - y_predicted) ** 2)
ss_total = np.sum((y_data - np.mean(y_data)) ** 2)
r_squared = 1 - (ss_residuals / ss_total)
```
### Root Mean Square Error (RMSE)
```python
residuals = y_data - y_predicted
rmse = np.sqrt(np.mean(residuals ** 2))
```
## Complete Example
```python
import numpy as np
from scipy.optimize import curve_fit
def fit_first_order_model(data, y_initial, input_value):
"""
Fit first-order model to step response data.
Returns dict with K, tau, r_squared, fitting_error
"""
t_data = np.array([d["time"] for d in data])
y_data = np.array([d["output"] for d in data])
def model(t, K, tau):
return y_initial + K * input_value * (1 - np.exp(-t / tau))
# Initial guesses
K_guess = (y_data[-1] - y_initial) / input_value
tau_guess = t_data[len(t_data)//3] # Rough guess
# Fit with bounds
popt, _ = curve_fit(
model, t_data, y_data,
p0=[K_guess, tau_guess],
bounds=([0, 0], [np.inf, np.inf])
)
K, tau = popt
# Calculate quality metrics
y_pred = model(t_data, K, tau)
ss_res = np.sum((y_data - y_pred) ** 2)
ss_tot = np.sum((y_data - np.mean(y_data)) ** 2)
r_squared = 1 - (ss_res / ss_tot)
fitting_error = np.sqrt(np.mean((y_data - y_pred) ** 2))
return {
"K": float(K),
"tau": float(tau),
"r_squared": float(r_squared),
"fitting_error": float(fitting_error)
}
```
## Common Issues
1. **RuntimeError**: Optimal parameters not found
- Try better initial guesses
- Check that data is valid (no NaN, reasonable range)
2. **Poor fit (low R^2)**:
- Data might not be from step response phase
- System might not be first-order
- Too much noise in measurements
3. **Unrealistic parameters**:
- Add bounds to constrain solution
- Check units are consistent
© benchflow-ai · Apache-2.0 · benchflow-ai/skillsbench