Linear-Regression-MCP

🚀 线性回归 MCP 项目

本项目展示了运用 Claude 和模型上下文协议（MCP）的端到端机器学习工作流程。用户只需上传一个 CSV 文件，Claude 就能独立训练一个线性回归模型。系统会完整经历机器学习模型训练的整个生命周期，涵盖数据预处理、训练以及评估（计算 RMSE）等环节。

🚀 快速开始

安装与配置

1. 克隆仓库

首先，将仓库克隆到本地计算机：

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

2. 安装 uv

uv 是一个由 Rust 编写的超快 Python 包和项目管理器，是本项目中服务器管理和依赖项管理所必需的。

• 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：

uv sync

4. 配置 Claude 桌面

要将服务器与 Claude 桌面集成，需要修改 Claude 的配置文件。根据你的操作系统执行以下操作：

• 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 uv 安装的绝对路径和线性回归项目目录。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 桌面以链接到 MCP 服务器。

✨ 主要特性

以下工具可用于此项目，帮助你处理数据集和训练模型： | 工具 | 描述 | 参数 | | ---- | ---- | ---- | | LinearRegression | 训练线性回归模型 | - 输入数据路径
- 输出模型路径 | | DataPreprocessing | 对数据集进行预处理（如归一化、缺失值填充等） | 数据集路径 | | ModelEvaluation | 评估训练好的线性回归模型性能 | 模型路径和测试数据路径 | | Visualization | 可视化模型的拟合结果 | 训练数据和模型路径 |

🤝 贡献说明

我们欢迎社区贡献！如果你有任何问题、建议或改进，请访问 GitHub 仓库 提交 issue 或 pull request。

📞 联系方式

如需联系项目维护人员或获取更多支持，请通过以下方式联系我们：

邮箱 | GitHub | Dev.to | Medium

感谢使用 线性回归 MCP 项目！我们期待你的参与和反馈。