К основному содержанию
скилл CX Codex

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

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add benchflow-ai/skillsbench --skill scipy-curve-fit -a claude-code
Открыть на GitHub

Что 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 bounds и стартовые приближения p0 для curve_fit
  • Смоделировать переходную характеристику первого порядка с коэффициентами K и tau
  • Рассчитать коэффициент детерминации R^2 и ошибку RMSE

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-code

2Вручную: положить файлы

~/.claude/skills/scipy-curve-fit/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/scipy-curve-fit/

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

Похожие скиллы

Все скиллы по теме «Наука и исследования» →
scipy-best-practices Mindrally Скилл scipy-best-practices для Claude Code задаёт агенту правила научных вычислений на SciPy: оптимизация, линейная алгебра, статистика, сигналы. Покрывает Python-код, который считает числа. CX Codex +1 1 100установок scipy sanjeed5 Набор правил для написания научного кода на SciPy в Cursor: оформление docstrings, именованные аргументы и вычисления. CX Codex +1 ★ 3 589звёзд репо matplotlib K-Dense-AI Скилл для построения и тонкой настройки научных графиков на Matplotlib: от отдельных осей до многопанельных фигур и экспорта в PNG, PDF и SVG. CX Codex +1 2 500установок interpolation parcadei Скилл interpolation помогает выбрать и реализовать численный метод интерполяции данных в Claude Code, от полиномов Лагранжа до сплайнов в SciPy. CX Codex +1 ★ 3 951звёзд репо statistics-math pluginagentmarketplace Скилл statistics-math для Claude Code: даёт агенту статистику, теорию вероятностей, линейную алгебру и регрессию на Python. Считает метрики, проверяет гипотезы. CX Codex +1 434установок numerical-integration parcadei Скилл numerical-integration для численного интегрирования в Claude Code. Помогает выбрать метод квадратуры, настроить точность и вычислить интеграл через scipy и sympy. CX Codex +1 ★ 3 951звёзд репо

Из того же набора22

Весь набор →
reflow-machine-maintenance-guidance Скилл reflow-machine-maintenance-guidance отвечает на вопросы по обслуживанию печи оплавления: считает градиенты, время выше ликвидуса и скорость конвейера по термопарам, MES и справочнику. CX Codex +1 5установок text-to-speech Скилл text-to-speech помогает подготовить TTS-речь к видеомонтажу: убрать артефакты, выровнять громкость и свести сегменты по времени. CX Codex +1 4установок civ6lib Скилл civ6lib для Claude Code проверяет размещение районов в Civilization 6 и считает бонусы соседства. Анализирует карты и помогает планировать города. CX Codex +1 2установок meteorology-driver-classification Скилл meteorology-driver-classification раскладывает переменные климатического датасета по группам «тепло», «поток», «ветер» и «человек», чтобы считать вклад каждой в изменения системы. CX Codex +1 2установок python-scala-idioms Скилл python-scala-idioms помогает переводить код с Python на чистый и идиоматичный Scala. Фокусируется на неизменяемости, сопоставлении с образцом и безопасной работе с типами. CX Codex +1 1установок first-order-model-fitting Скилл first-order-model-fitting для Claude Code подбирает модель первого порядка по экспериментальному переходному отклику и оценивает K и tau. Анализирует тепловые, электрические и механические системы. CX Codex +1 1установок hex-grid-spatial Скилл hex-grid-spatial для Claude Code считает соседей, расстояние и клетки в радиусе на гексагональной карте с odd-r offset координатами. Используется в логике ходов и зон вокруг юнита. CX Codex +1 1установок python-scala-syntax-mapping Скилл python-scala-syntax-mapping для Claude Code сопоставляет синтаксис Python и Scala, помогая ИИ-агенту переносить функции, циклы и типы данных. CX Codex +1 1установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой