Skills Agentes

Scikit Learn

Aprendizaje automático en Python con scikit-learn: clasificación, regresión, clustering, reducción de dimensionalidad, evaluación de modelos, ajuste de hiperparámetros, preprocesamiento y pipelines de ML.

Solicitaread write edit bash
Estrellas
45.9k

en todo el repo

Actividad
58

0–100, la ruta de este skill

Actualizado
hace 2 meses

último commit aquí

Commits
3

últimos 90 días

Contexto
2.6k tok

95 tok en reposo

Paquete
11 archivos

118 KB

Instalar

Funciona con cualquier agente que lea SKILL.md

npx -y skills add K-Dense-AI/scientific-agent-skills --skill scikit-learn --agent claude-code

Se instala solo en este repositorio.

Qué hace

  • Guía tareas de clasificación, regresión, clustering y reducción de dimensionalidad con scikit-learn
  • Construye pipelines completos con Pipeline y ColumnTransformer para datos mixtos numéricos y categóricos
  • Evalúa modelos con validación cruzada, búsqueda de hiperparámetros (Grid/RandomizedSearchCV) y métricas
  • Incluye scripts de ejemplo para un pipeline de clasificación completo y un análisis de clustering
  • Documenta preprocesamiento (escalado, codificación, imputación) y selección de características

Úsalo cuando

  • Construir modelos de clasificación o regresión
  • Realizar clustering o reducción de dimensionalidad
  • Evaluar el rendimiento de un modelo con validación cruzada o ajustar hiperparámetros
  • Crear pipelines de ML para producción o comparar algoritmos

No lo uses cuando

    Qué lo activa

    Di cualquiera de estas frases y el agente debería cargar este skill.

    • “Entrena un RandomForestClassifier y evalúa con validación cruzada”
    • “Crea un pipeline con ColumnTransformer para datos numéricos y categóricos”
    • “Compara algoritmos de clustering con el método del codo y silhouette”
    • “Ajusta hiperparámetros con GridSearchCV para este modelo”

    SKILL.md

    En inglés

    Scikit-learn

    Overview

    This skill provides comprehensive guidance for machine learning tasks using scikit-learn, the industry-standard Python library for classical machine learning. Use this skill for classification, regression, clustering, dimensionality reduction, preprocessing, model evaluation, and building production-ready ML pipelines.

    Installation

    Tested against scikit-learn 1.8.0 (stable; December 2025). Requires Python 3.11–3.14 (free-threaded CPython 3.14 wheels available in 1.8+).

    Install the PyPI package scikit-learn (not the deprecated sklearn package on PyPI). Import in code as sklearn.

    # Install scikit-learn using uv
    uv pip install "scikit-learn>=1.7"
    
    # Optional: plotting utilities and bundled script dependencies
    uv pip install "scikit-learn[plots]" matplotlib seaborn
    
    # Commonly used with
    uv pip install pandas numpy
    

    Check your version:

    import sklearn
    print(sklearn.__version__)
    

    When to Use This Skill

    Use the scikit-learn skill when:

    • Building classification or regression models
    • Performing clustering or dimensionality reduction
    • Preprocessing and transforming data for machine learning
    • Evaluating model performance with cross-validation
    • Tuning hyperparameters with grid or random search
    • Creating ML pipelines for production workflows
    • Comparing different algorithms for a task
    • Working with both structured (tabular) and text data
    • Need interpretable, classical machine learning approaches

    Quick Start

    Classification Example

    from sklearn.model_selection import train_test_split
    from sklearn.preprocessing import StandardScaler
    from sklearn.ensemble import RandomForestClassifier
    from sklearn.metrics import classification_report
    
    # Split data
    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=0.2, stratify=y, random_state=42
    )
    
    # Preprocess
    scaler = StandardScaler()
    X_train_scaled = scaler.fit_transform(X_train)
    X_test_scaled = scaler.transform(X_test)
    
    # Train model
    model = RandomForestClassifier(n_estimators=100, random_state=42)
    model.fit(X_train_scaled, y_train)
    
    # Evaluate
    y_pred = model.predict(X_test_scaled)
    print(classification_report(y_test, y_pred))
    

    Complete Pipeline with Mixed Data

    from sklearn.pipeline import Pipeline
    from sklearn.compose import ColumnTransformer
    from sklearn.preprocessing import StandardScaler, OneHotEncoder
    from sklearn.impute import SimpleImputer
    from sklearn.ensemble import GradientBoostingClassifier
    
    # Define feature types
    numeric_features = ['age', 'income']
    categorical_features = ['gender', 'occupation']
    
    # Create preprocessing pipelines
    numeric_transformer = Pipeline([
        ('imputer', SimpleImputer(strategy='median')),
        ('scaler', StandardScaler())
    ])
    
    categorical_transformer = Pipeline([
        ('imputer', SimpleImputer(strategy='most_frequent')),
        ('onehot', OneHotEncoder(handle_unknown='ignore'))
    ])
    
    # Combine transformers
    preprocessor = ColumnTransformer([
        ('num', numeric_transformer, numeric_features),
        ('cat', categorical_transformer, categorical_features)
    ])
    
    # Full pipeline
    model = Pipeline([
        ('preprocessor', preprocessor),
        ('classifier', GradientBoostingClassifier(random_state=42))
    ])
    
    # Fit and predict
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    

    Core Capabilities

    Five capability areas are documented in references/core_capabilities.md, with per-topic detail in references/supervised_learning.md, references/unsupervised_learning.md, references/model_evaluation.md, references/preprocessing.md, and references/pipelines_and_composition.md:

    1. Supervised learning — classification and regression estimator families.
    2. Unsupervised learning — clustering, decomposition, and manifold learning.
    3. Model evaluation and selection — metrics, cross-validation, and hyperparameter search.
    4. Data preprocessing — scaling, encoding, imputation, and feature selection.
    5. Pipelines and composition — Pipeline and ColumnTransformer.

    Always fit preprocessing inside a Pipeline so it is refit per cross-validation fold; scaling or imputing before splitting leaks test information into training.

    Two worked workflows are in references/common_workflows.md.

    Example Scripts

    Classification Pipeline

    Run a complete classification workflow with preprocessing, model comparison, hyperparameter tuning, and evaluation:

    uv run python scripts/classification_pipeline.py
    

    This script demonstrates:

    • Handling mixed data types (numeric and categorical)
    • Model comparison using cross-validation
    • Hyperparameter tuning with GridSearchCV
    • Comprehensive evaluation with multiple metrics
    • Feature importance analysis

    Clustering Analysis

    Perform clustering analysis with algorithm comparison and visualization:

    uv run python scripts/clustering_analysis.py
    

    This script demonstrates:

    • Finding optimal number of clusters (elbow method, silhouette analysis)
    • Comparing multiple clustering algorithms (K-Means, DBSCAN, Agglomerative, Gaussian Mixture)
    • Evaluating clustering quality without ground truth
    • Visualizing results with PCA projection

    Reference Documentation

    This skill includes comprehensive reference files for deep dives into specific topics:

    Quick Reference

    File: references/quick_reference.md

    • Common import patterns and installation instructions
    • Quick workflow templates for common tasks
    • Algorithm selection cheat sheets
    • Common patterns and gotchas
    • Performance optimization tips

    Supervised Learning

    File: references/supervised_learning.md

    • Linear models (regression and classification)
    • Support Vector Machines
    • Decision Trees and ensemble methods
    • K-Nearest Neighbors, Naive Bayes, Neural Networks
    • Algorithm selection guide

    Unsupervised Learning

    File: references/unsupervised_learning.md

    • All clustering algorithms with parameters and use cases
    • Dimensionality reduction techniques
    • Outlier and novelty detection
    • Gaussian Mixture Models
    • Method selection guide

    Model Evaluation

    File: references/model_evaluation.md

    • Cross-validation strategies
    • Hyperparameter tuning methods
    • Classification, regression, and clustering metrics
    • Learning and validation curves
    • Best practices for model selection

    Preprocessing

    File: references/preprocessing.md

    • Feature scaling and normalization
    • Encoding categorical variables
    • Missing value imputation
    • Feature engineering techniques
    • Custom transformers

    Pipelines and Composition

    File: references/pipelines_and_composition.md

    • Pipeline construction and usage
    • ColumnTransformer for mixed data types
    • FeatureUnion for parallel transformations
    • Complete end-to-end examples
    • Best practices

    Best Practices

    Always Use Pipelines

    Pipelines prevent data leakage and ensure consistency:

    # Good: Preprocessing in pipeline
    pipeline = Pipeline([
        ('scaler', StandardScaler()),
        ('model', LogisticRegression())
    ])
    
    # Bad: Preprocessing outside (can leak information)
    X_scaled = StandardScaler().fit_transform(X)
    

    Fit on Training Data Only

    Never fit on test data:

    # Good
    scaler = StandardScaler()
    X_train_scaled = scaler.fit_transform(X_train)
    X_test_scaled = scaler.transform(X_test)  # Only transform
    
    # Bad
    scaler = StandardScaler()
    X_all_scaled = scaler.fit_transform(np.vstack([X_train, X_test]))
    

    Use Stratified Splitting for Classification

    Preserve class distribution:

    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=0.2, stratify=y, random_state=42
    )
    

    Set Random State for Reproducibility

    model = RandomForestClassifier(n_estimators=100, random_state=42)
    

    Choose Appropriate Metrics

    • Balanced data: Accuracy, F1-score
    • Imbalanced data: Precision, Recall, ROC AUC, Balanced Accuracy
    • Cost-sensitive: Define custom scorer

    Scale Features When Required

    Algorithms requiring feature scaling:

    • SVM, KNN, Neural Networks
    • PCA, Linear/Logistic Regression with regularization
    • K-Means clustering

    Algorithms not requiring scaling:

    • Tree-based models (Decision Trees, Random Forest, Gradient Boosting)
    • Naive Bayes

    Troubleshooting Common Issues

    ConvergenceWarning

    Issue: Model didn't converge Solution: Increase max_iter or scale features

    model = LogisticRegression(max_iter=1000)
    

    Poor Performance on Test Set

    Issue: Overfitting Solution: Use regularization, cross-validation, or simpler model

    # Add regularization
    model = Ridge(alpha=1.0)
    
    # Use cross-validation
    scores = cross_val_score(model, X, y, cv=5)
    

    Memory Error with Large Datasets

    Solution: Use algorithms designed for large data

    # Use SGD for large datasets
    from sklearn.linear_model import SGDClassifier
    model = SGDClassifier()
    
    # Or MiniBatchKMeans for clustering
    from sklearn.cluster import MiniBatchKMeans
    model = MiniBatchKMeans(n_clusters=8, batch_size=100)
    

    Additional Resources

    Reproducido de K-Dense-AI/scientific-agent-skills bajo licencia BSD-3-Clause license. Leer esta página en markdown.

    Archivos

    11 archivos en el paquete. Solo se lee SKILL.md al activarse — las referencias se cargan si el skill decide que las necesita.

    Antes de instalar

    Requiere Python 3.11+ y scikit-learn 1.7+, con NumPy y SciPy; matplotlib/seaborn son opcionales para los scripts de ejemplo.

    Detalles

    Creador
    K-Dense-AI
    Licencia
    BSD-3-Clause license
    Recursos incluidos
    scripts en python + referencias
    Código fuente
    Ver SKILL.md

    Etiquetas

    Más de K-Dense-AI/scientific-agent-skills

    Este repo incluye 163 skills. Si instalas uno, normalmente ya tienes los demás. Ver el pack scientific-agent-skills entero y su comando de instalación

    Gestión integral de citas académicas: busca en OpenAlex, PubMed y Google Scholar, extrae metadatos precisos, valida citas y genera entradas BibTeX correctamente formateadas.

    Costo de contexto al activarse
    3.7k tok
    Tamaño del paquete
    21 archivos
    Última actualización
    hace 2 meses
    investigacion

    Realiza revisiones bibliográficas sistemáticas y completas usando varias bases académicas (PubMed, arXiv, bioRxiv, Semantic Scholar). Genera markdown y PDF con citas verificadas en varios estilos (APA, Nature, Vancouver).

    Costo de contexto al activarse
    3.2k tok
    Tamaño del paquete
    12 archivos
    Última actualización
    hace 2 meses
    investigacion

    Crea decks de diapositivas y presentaciones para charlas de investigación: PowerPoint, presentaciones de conferencia, seminarios, defensas de tesis. Da estructura, plantillas, guía de tiempos y validación visual.

    Costo de contexto al activarse
    5.1k tok
    Tamaño del paquete
    24 archivos
    Última actualización
    hace 2 meses
    documentos

    Crea infografías profesionales con Nano Banana Pro AI y refinamiento iterativo inteligente. Usa Gemini 3.6 Flash para revisar la calidad e integra investigación con Perplexity Sonar. Soporta 10 tipos, 8 estilos y paletas para daltonismo.

    Costo de contexto al activarse
    2.7k tok
    Tamaño del paquete
    8 archivos
    Última actualización
    hace 2 meses
    diseno ui

    Crea pósteres de investigación profesionales en LaTeX con beamerposter, tikzposter o baposter, para conferencias y comunicación científica: layout, colores, columnas múltiples e integración de figuras.

    Costo de contexto al activarse
    3.9k tok
    Tamaño del paquete
    17 archivos
    Última actualización
    hace 2 meses
    documentos

    Crea diagramas científicos de calidad de publicación con la IA Nano Banana 2 y refinamiento iterativo inteligente. Gemini 3.6 Flash revisa la calidad y solo regenera si está por debajo del umbral de tu tipo de documento.

    Costo de contexto al activarse
    4.1k tok
    Tamaño del paquete
    6 archivos
    Última actualización
    hace 2 meses
    diseno ui

    Skills relacionados

    Aeon

    45.9k

    Para tareas de machine learning con series temporales: clasificación, regresión, clustering, forecasting, detección de anomalías, segmentación y búsqueda de similitud, con APIs compatibles con scikit-learn.

    Costo de contexto al activarse
    3.1k tok
    Tamaño del paquete
    12 archivos
    Última actualización
    hace 2 meses
    datos analitica

    Anndata

    45.9k

    Estructura de datos para matrices anotadas en análisis de célula única. Úsala con archivos .h5ad o el ecosistema scverse; para análisis usa scanpy, para modelos probabilísticos scvi-tools, para escala poblacional cellxgene-census.

    Costo de contexto al activarse
    3k tok
    Tamaño del paquete
    6 archivos
    Última actualización
    hace 2 meses
    datos analitica

    Infiere redes de regulación génica (GRN) a partir de datos de expresión génica con algoritmos escalables (GRNBoost2, GENIE3), para transcriptómica bulk o de célula única, con computación distribuida.

    Costo de contexto al activarse
    2.1k tok
    Tamaño del paquete
    5 archivos
    Última actualización
    hace 2 meses
    datos analitica