跳至正文
OpenAgentSkill
浏览已开放 · 目录记录日期 2026-11-21 · 自动更新和账户服务暂时关闭。
其他技能

model-recommendation

模型自动推荐 —— 根据数据特征和预测需求,智能推荐线性回归/逻辑回归/SVM/神经网络/Softmax 回归。 当用户提到"推荐模型"、"选什么模型"、"用什么算法"、"模型选择"、"该用哪个"、 "帮我选模型"、"哪个算法合适"、"用什么方法预测"、"线性回归还是"等类似场景时触发。 适用于任何"我有数据和预测目标,但不确定该用什么模型"的需求。 不要手动画决策树——必须调用此技能来统一处理。

muralidharsoth-tech · 已有静态检查记录

安装与使用

运行命令前先阅读来源与依赖说明。复制命令不会自动安装或执行。

npx skills add muralidharsoth-tech/andrew-ng-ml-claude-skills --skill model-recommendation

技能说明


name: model-recommendation description: | 模型自动推荐 —— 根据数据特征和预测需求,智能推荐线性回归/逻辑回归/SVM/神经网络/Softmax 回归。 当用户提到"推荐模型"、"选什么模型"、"用什么算法"、"模型选择"、"该用哪个"、 "帮我选模型"、"哪个算法合适"、"用什么方法预测"、"线性回归还是"等类似场景时触发。 适用于任何"我有数据和预测目标,但不确定该用什么模型"的需求。 不要手动画决策树——必须调用此技能来统一处理。

模型自动推荐(Model Recommendation)

概述

此技能根据用户提供的数据特征和预测需求,自动推荐最合适的监督学习模型。

覆盖的模型:

模型适用场景
📏 线性回归预测连续数值,关系大致线性
🎯 逻辑回归二分类,需要概率和可解释性
⚔️ SVM二分类,样本少/特征多,追求干净边界
🧠 神经网络回归或分类,数据海量、关系复杂
📊 Softmax 回归多分类,数据不大、关系简单
🧠+📊 神经网络 + softmax多分类,数据海量、关系复杂

核心决策逻辑

你要预测的 Y 是什么类型?
    │
    ├── 连续数值(房价、温度、销量……)
    │   ├─ 关系简单/线性 → 线性回归
    │   └─ 关系复杂/非线性 → 神经网络(回归模式)
    │
    ├── 二分类:是/否(会不会违约、是不是垃圾邮件……)
    │   ├─ 需要概率 + 可解释 → 逻辑回归
    │   ├─ 不要概率 + 样本少/特征多 → SVM
    │   └─ 数据海量 + 关系复杂 → 神经网络
    │
    └── 多分类:K 个类别(K≥3,猫/狗/鸟……)
        ├─ 数据少 + 关系简单 → Softmax 回归
        ├─ 样本少 + 特征多 → SVM(One-vs-One)
        └─ 数据海量 + 关系复杂 → 神经网络 + softmax

交互流程

严格按以下 5 步执行,不要跳过任何一步:


Step 1:确认预测目标(Y 的类型)

向用户提问:

你要预测的 Y(目标变量) 是什么类型的?

  • A. 连续数值 —— 比如房价、温度、销量、分数……
  • B. 二分类(是/否) —— 比如会不会违约、是不是垃圾邮件、有没有病……
  • C. 多分类(3 类及以上) —— 比如识别图片是猫/狗/鸟、判断水果是苹果/橘子/榴莲……

根据用户回答,确定后续路线。


Step 2:收集数据和场景信息

根据 Y 的类型,针对性提问。以下问题必须逐条问到:

所有路线必问:

  1. 数据量级:大约有多少条训练样本?

    • A. 几百条及以下 B. 几千条 C. 几万条 D. 几十万条以上
  2. 特征数量:每个样本大约有多少个特征(输入变量)?

    • A. 几个(≤5) B. 几十个 C. 几百个 D. 几千个以上
  3. 可解释性需求:你是否需要向别人解释"模型为什么给出这个预测结果"?

    • 例如:银行审批贷款需要告诉客户"因为你的信用分太低"→ 需要可解释
    • 例如:图片识别猫狗 → 不需要解释
  4. 概率需求(仅二分类和多分类):你是否需要模型输出概率(如"得病概率 85%"),而不仅仅是类别标签?

回归路线额外问:

  1. 线性程度:输入变量和 Y 之间,大致是线性关系吗?
    • 例如:经验告诉你"面积每增加 1㎡,房价大致涨 8000"→ 大致线性
    • 例如:完全不知道什么关系 → 不确定

Step 3:根据决策表推荐模型

根据用户在第 1、2 步的回答,匹配以下决策规则,给出推荐。


📏 回归路线(Y = 连续数值)

条件推荐模型理由
关系大致线性线性回归最简单、最快、可解释性最强;系数直接告诉你"x 每变 1,y 变多少"
关系不确定但数据少(<1万)线性回归(先试)先用线性回归做 baseline,如果效果差再考虑升级
关系明显非线性 + 数据多(≥1万)神经网络(回归模式)神经网络自动学习非线性特征交互,不需要手动构造 x₁²、x₁x₂ 等多项式项
需要高可解释性线性回归神经网络的"黑盒"性质无法满足解释需求;线性回归每个系数都有明确物理含义

🎯 二分类路线(Y = 是/否)

条件推荐模型理由
需要概率输出逻辑回归天然输出 0~1 的概率,"得病概率 82%" 这种信息对决策至关重要
需要高可解释性逻辑回归每个特征的权重 θⱼ 直接告诉你"这个因素对结果影响多大、正向还是负向"
不需要概率 + 样本少(<1万)+ 特征多SVM + 高斯核SVM 的经典战场——高维小样本。只有支持向量参与决策,抗过拟合能力强
不需要概率 + 特征数远大于样本数SVM + 线性核这种极端场景高斯核反而容易过拟合,线性核更稳
数据海量(≥10万)+ 关系复杂神经网络数据足够多时,神经网络自动学习复杂决策边界,表现通常优于 SVM
不确定选什么先逻辑回归,不行换 SVM逻辑回归快速建立 baseline;如果效果不够且不需要概率,升级到 SVM + 高斯核

📊 多分类路线(Y = K 个类别,K≥3)

条件推荐模型理由
类别少(3~5 类)+ 数据少 + 关系简单Softmax 回归就是逻辑回归的多分类版本——简单、快、可解释,不需要训练多个模型
样本少 + 特征多SVM(One-vs-One)每两类间训练一个 SVM,在高维小样本场景表现好
类别多(≥5)+ 数据海量神经网络 + softmax一个模型直接输出 K 个概率,不需要像 SVM 那样训练 K(K−1)/2 个模型
关系明显非线性 + 数据多神经网络 + softmax隐藏层自动学习特征交互,softmax 输出层给出 K 个归一化概率

Step 4:输出推荐结果

按以下格式输出,让用户一目了然:

## 🎯 模型推荐

### 首选:{模型名称}

**理由:**
1. {理由 1}
2. {理由 2}
3. {理由 3}

### 备选:{备选模型名称}

**什么情况下改用:**
- {条件 1}
- {条件 2}

### ⚙️ 关键参数提示
- {参数 1}:{说明和作用}
- {参数 2}:{说明和作用}

Step 5:询问是否调用对应技能

如果用户已有具体数据,询问是否需要直接跳转到已有技能执行预测:

你已经有具体数据了吗?如果需要,我可以直接调用 {对应技能名} 技能帮你跑模型。

可用的技能:

  • linear-regression —— 线性回归
  • logistic-regression —— 逻辑回归
  • svm —— SVM 支持向量机(线性核 / 高斯核,自动判断非线性需求)
  • neural-network —— 神经网络(分类和回归都支持)

(注:Softmax 回归的技能尚未搭建,如需使用可以手动编写代码。)


模型速查表

以下为五个核心模型的一句话总结和典型场景:

模型一句话最典型的三个场景
📏 线性回归画一条直线猜数值房价预测、销量预测、薪资估算
🎯 逻辑回归画一条线分两类,附赠概率疾病诊断、垃圾邮件、信用审批
⚔️ SVM只盯边界附近的关键样本文本分类、基因诊断、图像小样本分类
🧠 神经网络给够数据,自己找规律图像识别、语音识别、复杂推荐系统
📊 Softmax 回归逻辑回归的"多分类版本"简单多分类 baseline、教学场景、快速原型

详细的五模型横向对比表见 references/model-comparison-table.md。


关键边界情况处理

特征数 >> 样本数(p >> n)

这是 SVM 的强项。推荐 SVM + 线性核,正则化项天然防止过拟合。逻辑回归加 L2 正则化也可用,但 SVM 在这种场景通常更稳。

样本极大(百万级)

神经网络是唯一可行的选择。SVM 的对偶问题求解复杂度是 O(m²)~O(m³),百万样本根本跑不动。

用户同时需要概率和复杂边界

推荐 神经网络 + sigmoid/softmax 输出。它既有概率输出,又能处理非线性。

用户什么都不确定

建议:先用简单模型(线性回归/逻辑回归)跑一个 baseline → 如果效果差 → 升级到 SVM 或神经网络。不要在没看到数据之前就上最复杂的模型。


补充说明

  • 本技能只做推荐,不代替用户做最终决定。每个推荐都附带理由,让用户理解"为什么"。
  • 推荐的准确性取决于用户提供的信息质量。如果用户说"不确定",优先推荐简单模型。
  • 如果用户的问题超出了本技能覆盖的 5 个模型范围(如无监督学习、强化学习),直接告知并建议查阅其他资料。