# xgboost-lightgbm

Скилл учит агента работать с XGBoost и LightGBM: классификация, регрессия, важность признаков и подбор гиперпараметров на табличных данных.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 474 установки · ★ 24
- Автор: tondevrel
- Лицензия: Apache-2.0 · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/tondevrel/scientific-agent-skills/tree/HEAD/skills/xgboost-lightgbm/SKILL.md
- Обновлён: 2026-02-01
- HTML: https://affpapa.org/nevibecode/skills/xgboost-lightgbm

## Что делает

Скилл даёт агенту готовые шаблоны для двух библиотек градиентного бустинга — XGBoost 2.0.3 и LightGBM 4.3.0. Внутри описаны базовые паттерны обучения, импорты, работа с `eval_set`, ранняя остановка и разбор важности признаков. Агент перестаёт выдумывать параметры и берёт проверенные связки.

Отдельный блок — антипаттерны. Например, для LightGBM не советуют one-hot кодирование: вместо него есть параметр `categorical_feature`. Для XGBoost и LightGBM разные имена ключевых параметров — `max_depth` против `num_leaves`, и скилл прямо предупреждает, что путать их нельзя. При дисбалансе классов подсказывает `scale_pos_weight` и `class_weight`.

Чтобы это заработало, нужен Python с установленными `xgboost` и `lightgbm` — сам скилл их не ставит. Для GPU-варианта ставятся пакеты с extra `[gpu]`. Если у вас миллионы строк, скилл советует снижать `learning_rate` до 0.01–0.05, а не гнать на дефолтном 0.1.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add tondevrel/scientific-agent-skills --skill xgboost-lightgbm -a claude-code
```

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

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add tondevrel/scientific-agent-skills --skill xgboost-lightgbm -a codex
```

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

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add tondevrel/scientific-agent-skills --skill xgboost-lightgbm -a cursor
```

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

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install tondevrel/scientific-agent-skills xgboost-lightgbm
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/xgboost-lightgbm/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add tondevrel/scientific-agent-skills --skill xgboost-lightgbm -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/tondevrel/scientific-agent-skills --path skills/xgboost-lightgbm
```

### Windsurf (Devin Desktop)

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

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add tondevrel/scientific-agent-skills --skill xgboost-lightgbm -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/tondevrel/scientific-agent-skills/tree/HEAD/skills/xgboost-lightgbm/SKILL.md

## Когда брать
- обучить модель классификации на CSV без ручного подбора параметров
- сравнить XGBoost и LightGBM по скорости на большом датасете
- посчитать важность признаков и найти утечку данных
- разобраться с дисбалансом классов через веса
- настроить раннюю остановку по валидационной выборке

## Примеры запросов агенту
- обучи XGBoost-классификатор на train.csv, добавь раннюю остановку по валидации
- сравни LightGBM и XGBoost на этом датасете по RMSE
- покажи важность признаков у модели и объясни, что перевешивает

## Похожие
- [signal-classification](https://affpapa.org/nevibecode/skills/signal-classification.md) — скилл · 516 установок
- [data-scientist](https://affpapa.org/nevibecode/agents/voltagent-community-data-scientist.md) — субагент · 3342 установки
- [senior-data-scientist](https://affpapa.org/nevibecode/skills/senior-data-scientist.md) — скилл · 942 установки
- [google-cloud-waf-sustainability](https://affpapa.org/nevibecode/skills/google-cloud-waf-sustainability.md) — скилл · 9346 установок
- [bigquery-ai-ml](https://affpapa.org/nevibecode/skills/bigquery-ai-ml.md) — скилл · 7033 установки
- [mle-workflow](https://affpapa.org/nevibecode/skills/mle-workflow.md) — скилл · 4600 установок

Из того же набора: [tondevrel/scientific-agent-skills](https://affpapa.org/nevibecode/by/tondevrel/scientific-agent-skills.md) — 3 карточки

_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