Skip to main content
Glama
wzx11223344

mcp-ml-toolkit

by wzx11223344
OverviewSchemaRelated ServersScoreDiscussions
Python
Remote

MCP 机器学习工具包

基于 FastMCP 框架和 scikit-learn 构建的机器学习 MCP 服务器，提供 30 个 MCP 工具，覆盖分类、回归、聚类、降维、模型评估和数据预处理等核心机器学习任务。

特性

  • 30 个 MCP 工具：涵盖机器学习全流程

  • FastMCP 框架：标准 MCP 协议，兼容主流 MCP 客户端

  • scikit-learn 引擎：业界标准机器学习库

  • Markdown 输出：所有工具返回格式化的 Markdown 字符串

  • 灵活参数传递：数组用逗号分隔，矩阵用分号分隔，方便通过 MCP 协议调用

  • 错误处理：每个工具内置异常捕获，返回友好的错误信息

Related MCP server: SCMCP

安装

# 克隆项目
git clone <repository_url>
cd mcp-ml-toolkit

# 安装依赖
pip install -r requirements.txt

使用

直接运行

python server.py

配置到 MCP 客户端

在 MCP 客户端配置文件中添加：

{
  "mcpServers": {
    "ml-toolkit": {
      "command": "python",
      "args": ["path/to/server.py"]
    }
  }
}

使用示例

所有工具通过 MCP 协议调用，参数以字符串形式传递：

逻辑回归分类：

X = "1,2;3,4;5,6;7,8;9,10;11,12"
y = "0,0,1,1,0,1"
调用: logistic_regression(X, y, C=1.0, penalty="l2")

K均值聚类：

X = "1,2;1.5,1.8;5,8;8,8;1,0.6;9,11"
调用: kmeans_clustering(X, n_clusters=2)

PCA降维：

X = "2.5,2.4,2.1;0.5,0.7,4.2;2.2,2.9,1.5;1.9,2.2,3.3;3.1,3.0,2.7"
调用: pca_reduction(X, n_components=2)

交叉验证：

X = "1,2;3,4;5,6;7,8"
y = "0,0,1,1"
调用: cross_validate_model(X, y, model_type="svm", cv=5)

数据预处理：

X = "1,2,3;4,5,6;7,8,9"
调用: preprocess_data(X, method="standard")

参数格式约定

数据类型

格式

示例

一维数组

逗号分隔

"1.0,2.0,3.0"

二维矩阵

分号分隔行，逗号分隔列

"1,2;3,4;5,6"

缺失值

使用 nan 表示

"1,nan,3;4,5,nan"

参数网格

参数名:值1,值2;参数名2:值1,值2

"C:0.1,1,10;kernel:rbf,linear"

工具列表

分类工具 (6个)

工具

说明

算法

logistic_regression

逻辑回归分类

L1/L2正则化，多求解器

knn_classifier

K近邻分类

支持加权、多种距离度量

svm_classifier

支持向量机分类

linear/poly/rbf/sigmoid核

decision_tree_classifier

决策树分类

gini/entropy分裂标准

random_forest_classifier

随机森林分类

集成学习，特征重要性

naive_bayes_classifier

朴素贝叶斯分类

Gaussian/Multinomial/Bernoulli

回归工具 (6个)

工具

说明

算法

linear_regression

线性回归

最小二乘法

ridge_regression

岭回归

L2正则化

lasso_regression

Lasso回归

L1正则化，特征选择

polynomial_regression

多项式回归

非线性特征展开

decision_tree_regressor

决策树回归

递归划分

random_forest_regressor

随机森林回归

集成学习

聚类与降维工具 (6个)

工具

说明

算法

kmeans_clustering

K均值聚类

迭代优化

dbscan_clustering

DBSCAN密度聚类

基于密度，自动识别噪声

hierarchical_clustering

层次聚类

凝聚式层次聚类

pca_reduction

PCA主成分降维

线性降维

tsne_reduction

t-SNE降维

非线性降维，可视化

silhouette_analysis

轮廓系数分析

最佳聚类数选择

模型评估工具 (8个)

工具

说明

功能

train_test_split_data

数据集分割

支持分层抽样

cross_validate_model

交叉验证

K折交叉验证

classification_report_tool

分类报告

精确率/召回率/F1

confusion_matrix_tool

混淆矩阵

含二分类详细指标

roc_curve_analysis

ROC曲线分析

AUC/最佳阈值

feature_importance_analysis

特征重要性

排名与选择建议

hyperparameter_grid_search

网格搜索调参

自动搜索最佳参数

learning_curve_analysis

学习曲线

欠拟合/过拟合诊断

数据预处理工具 (4个)

工具

说明

功能

preprocess_data

数据缩放

Standard/MinMax/MaxAbs/Robust

encode_categorical

分类编码

Label/OneHot/Ordinal

handle_missing_values

缺失值处理

Mean/Median/MostFrequent/Constant/KNN

feature_selection

特征选择

F检验/互信息/RFE

项目结构

mcp-ml-toolkit/
├── server.py                  # 主入口，FastMCP服务器
├── classification_tools.py    # 分类工具 (6个)
├── regression_tools.py        # 回归工具 (6个)
├── clustering_tools.py        # 聚类降维工具 (6个)
├── evaluation_tools.py        # 模型评估工具 (8个)
├── utils.py                   # 辅助函数 + 数据预处理工具 (4个)
├── requirements.txt           # Python依赖
├── README.md                  # 项目文档
└── SKILL.md                   # SkillHub技能描述

技术栈

  • MCP - Model Context Protocol，AI模型上下文协议

  • FastMCP - MCP Python SDK，快速构建MCP服务器

  • scikit-learn - 机器学习算法库

  • NumPy - 数值计算

  • Pandas - 数据处理

  • SciPy - 科学计算

许可证

MIT License

This server cannot be installed

F
license - not found
-
quality - not tested
B
maintenance

How are these scores calculated?

Maintenance

–Maintainers
–Response time
–Release cycle
–Releases (12mo)
Commit activity

Resources

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/wzx11223344/mcp-ml-toolkit'

If you have feedback or need assistance with the MCP directory API, please join our Discord server