数据科学与实验
给出数据集或实验诉求,完成假设检验、机器学习建模、A/B 测试样本量计算并输出分析报告。
功能与用途
业务上想验证一个假设、建一个预测模型或设计一次 A/B 测试,但很容易踩数据泄漏、p 值操纵、在不平衡数据上看准确率这些坑。它会按科学流程走:先校验正态性、方差齐性和多重共线性,做完整的特征工程清单(含泄漏审计),建模时划分训练测试集并用交叉验证调参,A/B 测试先算清需要多少样本。结果是按固定模板写的分析报告,结论后面附证据和置信度,局限性和不显著结果也会照实写。
适用场景
- 要给流失建一个预测模型,需要对比逻辑回归、随机森林和 XGB:要给流失建一个预测模型,需要对比逻辑回归、随机森林和 XGBoost 的 AUC 并选出上线方案
- 准备做一次转化率 A/B 测试,但不确定基线 3.2%、想检:准备做一次转化率 A/B 测试,但不确定基线 3.2%、想检测 0.5 个百分点的提升需要多少样本和多少天
- 运营说「做了 X 的用户留存更高」,需要判断这到底是不是因果:运营说「做了 X 的用户留存更高」,需要判断这到底是不是因果关系、有没有数据泄漏或选择偏差
- 建模前想先把缺失值、离群值、编码和缩放处理一遍,并确认没有用:建模前想先把缺失值、离群值、编码和缩放处理一遍,并确认没有用到未来信息
适用人群
- 做用户流失预测的算法工程师
- 负责实验平台与 A/B 测试的数据科学家
- 需要严谨统计支撑决策的增长分析岗
使用步骤
- 提供数据集(说明来源、时间范围、样本量和排除标准)以及要回答的假设或要做的预测任务
- 让它先做假设校验和特征工程,逐项确认缺失值处理、离群值策略、编码缩放和泄漏审计结果
- 进行统计检验或建模,拿到含 p 值、效应量、置信区间或 AUC、Precision 的对比结果
- 按分析报告模板整理结论,把局限性、不确定性和不建议过度解读的地方一并写清楚
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- 商业运营
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes、国内 Agent
- 使用难度
- 专业
- 版本
- main
- 最近更新
- 2026-09-11
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
📉 Rigorous statistical analysis, ML model building, A/B test design, feature engineering, and data visualization. Activate for any hypothesis testing, prediction task, experiment design, model comparison, or data analysis question.
使用前准备
- 需要 Python 数据科学环境(scikit-learn、matplotlib、seaborn、plotly 等),并具备统计推断与实验设计的专业判断。
依赖与权限
- 读取用户主动提供的内容