线性回归 MCP

欢迎来到线性回归 MCP ！该项目演示了使用 Claude 和模型上下文协议 (MCP) 的端到端机器学习工作流程。

只需上传包含数据集的 CSV 文件， Claude即可自行训练线性回归模型。该系统涵盖整个机器学习模型训练生命周期，包括数据预处理、训练和评估（RMSE 计算）。

设置和安装

1.克隆存储库：

首先，将存储库克隆到本地机器：

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

2.安装`uv` ：

uv是一个极快的 Python 包和项目管理器，用 Rust 编写。它对于管理本项目的服务器和依赖项至关重要。

从这里下载并安装uv 。

3.安装依赖项：

安装 uv 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 Desktop 集成，您需要修改 Claude 配置文件。请按照您的操作系统的说明进行操作：

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uv安装目录和线性回归项目目录的绝对路径。如下所示：

{
    "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，重新启动 Claude Desktop 以链接 MCP 服务器。

可用工具

该项目提供以下工具来帮助您处理数据集和训练模型：

工具	描述	参数
`upload_file(path)`	上传 CSV 文件并将其存储以供处理。	`path` ：CSV 文件的绝对路径。
`get_columns_info()`	检索已上传数据集中的列名。	没有争论。
`check_category_columns()`	检查数据集中的任何分类列。	没有争论。
`label_encode_categorical_columns()`	标签将分类列编码为数值。	没有争论。
`train_linear_regression_model(output_column)`	训练线性回归模型并计算 RMSE。	`output_column` ：目标列的名称。

开放贡献

欢迎大家为这个项目做出贡献！无论是修复错误、添加新功能，还是改进文档，欢迎随时 fork 代码库并提交 Pull 请求。

如果您有任何建议或功能请求，请提出问题，我很乐意讨论它们！

Linear Regression MCP

线性回归 MCP

设置和安装

1.克隆存储库：

2.安装`uv` ：

3.安装依赖项：

4.配置Claude桌面：

可用工具

开放贡献

Tools

线性回归 MCP

设置和安装

1.克隆存储库：

2.安装uv ：

3.安装依赖项：

4.配置Claude桌面：

可用工具

开放贡献

Tools

2.安装`uv` ：