🚀 线性回归 MCP

本项目展示了一个完整的机器学习工作流，借助 Claude 和模型上下文协议（MCP），仅需上传包含数据集的 CSV 文件，Claude 就能独立完成线性回归模型的训练。系统会历经整个 ML 模型训练生命周期，涵盖数据预处理、训练和评估（计算 RMSE）等环节。

🚀 快速开始

✨ 主要特性

• 借助 Claude 和 MCP 实现线性回归模型的独立训练。
• 完整覆盖 ML 模型训练的各个阶段，包括数据预处理、训练和评估。

📦 安装指南

1. 克隆仓库

首先，将仓库克隆到本地机器：

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

2. 安装 uv

uv 是一个由 Rust 编写的快速 Python 包和项目管理器，是本项目管理服务器和依赖项所必需的。

• 从 这里 下载并安装 uv。

3. 安装依赖

uv 安装完成后，运行以下命令安装所有必要的依赖项：

uv sync

4. 配置 Claude 桌面

要将服务器与 Claude 桌面集成，需修改 Claude 的配置文件。请根据您的操作系统进行操作：

• 对于 macOS 或 Linux：

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

• 对于 Windows：

code $env:AppData/Claude/claude_desktop_config.json

• 在配置文件中，找到 mcpServers 部分，并将占位符路径替换为 .local/bin/uv 的绝对路径和线性回归项目目录的绝对路径。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"
            ] 
        }
    }
}

• 保存文件后，重启 Claude 桌面以连接 MCP 服务器。

💻 使用示例

基础用法

# 简单线性回归示例
import numpy as np
from sklearn.linear_model import LinearRegression

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

# 训练模型
model = LinearRegression()
model.fit(X, y)

# 预测
predictions = model.predict(X)
print("预测值:", predictions)
print("系数:", model.coef_)
print("截距:", model.intercept_)

🔧 技术细节

本项目提供了以下工具，用于处理数据集和训练模型：

📄 许可证

文档中未提及许可证相关信息。

👥 贡献者

• 作者：Heet Vekariya

📞 接触方式

如果您对本项目有任何问题或反馈，请通过以下方式联系：

联系我们