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:
-
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
-
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
-
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
-
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:
- 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。