Linear Regression

🚀 線性迴歸 MCP

本項目展示了一個完整的機器學習工作流，藉助 Claude 和模型上下文協議（MCP），僅需上傳包含數據集的 CSV 文件，Claude 就能獨立完成線性迴歸模型的訓練。系統會歷經整個 ML 模型訓練生命週期，涵蓋數據預處理、訓練和評估（計算 RMSE）等環節。

🚀 快速開始

✨ 主要特性

• 藉助 Claude 和 MCP 實現線性迴歸模型的獨立訓練。
• 完整覆蓋 ML 模型訓練的各個階段，包括數據預處理、訓練和評估。

📦 安裝指南

1. 克隆倉庫

首先，將倉庫克隆到本地機器：

git clone https://github.com/HeetVekariya/Linear-Regression-MCP
cd Linear-Regression-MCP

2. 安裝 uv

uv 是一個由 Rust 編寫的快速 Python 包和項目管理器，是本項目管理服務器和依賴項所必需的。

• 從 這裡 下載並安裝 uv。

3. 安裝依賴

uv 安裝完成後，運行以下命令安裝所有必要的依賴項：

uv sync

4. 配置 Claude 桌面

要將服務器與 Claude 桌面集成，需修改 Claude 的配置文件。請根據您的操作系統進行操作：

• 對於 macOS 或 Linux：

code ~/Library/Application\ Support/Claude/claude_desktop_config.json

• 對於 Windows：

code $env:AppData/Claude/claude_desktop_config.json

• 在配置文件中，找到 mcpServers 部分，並將佔位符路徑替換為 .local/bin/uv 的絕對路徑和線性迴歸項目目錄的絕對路徑。示例如下：

{
    "mcpServers":
    {
        "linear-regression": 
        {
            "command": "ABSOLUTE/PATH/TO/.local/bin/uv",
            "args":
            [
                "--directory",
                "ABSOLUTE/PATH/TO/YOUR-LINEAR-REGRESSION-REPO", 
                "run",
                "server.py"
            ] 
        }
    }
}

• 保存文件後，重啟 Claude 桌面以連接 MCP 服務器。

💻 使用示例

基礎用法

# 簡單線性迴歸示例
import numpy as np
from sklearn.linear_model import LinearRegression

# 生成數據
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([2, 4, 5, 4, 5])

# 訓練模型
model = LinearRegression()
model.fit(X, y)

# 預測
predictions = model.predict(X)
print("預測值:", predictions)
print("係數:", model.coef_)
print("截距:", model.intercept_)

🔧 技術細節

本項目提供了以下工具，用於處理數據集和訓練模型：

📄 許可證

文檔中未提及許可證相關信息。

👥 貢獻者

• 作者：Heet Vekariya

📞 接觸方式

如果您對本項目有任何問題或反饋，請通過以下方式聯繫：

聯繫我們