机器学习 MCP 服务器

要解决什么问题

在对话式 Agent 或 MCP 客户端里做机器学习，常见痛点是：算法散落在本地脚本里，每次都要自己拼 sklearn 调用、统一数据格式，还要把指标整理成可读结果。本技能把 30 个 典型 ML 步骤封装成 MCP 工具，让模型在固定协议下完成训练、评估和预处理，而不是临时写一长段 Python。

核心能力与用法约定

服务器基于 FastMCP 构建，工具按任务分组：

• 分类 / 回归：逻辑回归、KNN、SVM、决策树、随机森林、朴素贝叶斯；线性/岭/Lasso/多项式回归及树模型回归
• 聚类与降维：K-Means、DBSCAN、层次聚类；PCA、t-SNE；silhouette_analysis 做聚类质量评估
• 模型评估：train_test_split_data、交叉验证、分类报告、混淆矩阵、ROC、特征重要性、网格搜索、学习曲线
• 数据预处理：标准化/归一化、分类编码、缺失值处理、特征选择

调用前需遵守参数格式：一维数组用逗号分隔（如 1.0,2.0,3.0）；二维矩阵行用分号、列用逗号（如 1,2;3,4）。各工具返回 Markdown 字符串，便于直接在对话里展示表格与说明。

适用边界

这是面向经典监督/无监督流程的 scikit-learn 风格工具集，不是深度学习训练平台，也不替代你自己的特征工程与业务校验。高维数据、t-SNE 等计算成本由你传入的数据规模决定；网格搜索等工具适合中小规模实验，生产级流水线仍需在外部做版本管理与数据治理。