机器学习 MCP 服务器

基于 FastMCP 框架构建的机器学习工具包服务器，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。

工具总览

分类工具 (6个)

• logistic_regression - 逻辑回归分类

  小葱技能站7w4.net，专业的AI技能分享平台。

• knn_classifier - K近邻分类
• svm_classifier - 支持向量机分类
• decision_tree_classifier - 决策树分类
• random_forest_classifier - 随机森林分类
• naive_bayes_classifier - 朴素贝叶斯分类

回归工具 (6个)

• linear_regression - 线性回归
• ridge_regression - 岭回归
• lasso_regression - Lasso回归
• polynomial_regression - 多项式回归
• decision_tree_regressor - 决策树回归
• random_forest_regressor - 随机森林回归

聚类与降维工具 (6个)

• kmeans_clustering - K均值聚类
• dbscan_clustering - DBSCAN密度聚类
• hierarchical_clustering - 层次聚类
• pca_reduction - PCA主成分降维
• tsne_reduction - t-SNE非线性降维
• silhouette_analysis - 轮廓系数分析

模型评估工具 (8个)

• train_test_split_data - 数据集分割
• cross_validate_model - 交叉验证
• classification_report_tool - 分类报告
• confusion_matrix_tool - 混淆矩阵
• roc_curve_analysis - ROC曲线分析
• feature_importance_analysis - 特征重要性分析
• hyperparameter_grid_search - 网格搜索调参
• learning_curve_analysis - 学习曲线分析

数据预处理工具 (4个)

• preprocess_data - 数据标准化/归一化
• encode_categorical - 分类变量编码
• handle_missing_values - 缺失值处理
• feature_selection - 特征选择

参数格式约定

• 一维数组: 逗号分隔，如 "1.0,2.0,3.0"
• 二维矩阵: 分号分隔行，逗号分隔列，如 "1,2;3,4;5,6"
• 所有工具返回 Markdown 格式字符串

使用方式

python server.py

或配置到 MCP 客户端中运行。

这是一套质量不错的机器学习工具，功能丰富、文档清晰、容易上手。但参数传递采用字符串格式（逗号分数组、分号分矩阵），对普通用户而言不够直观，学习成本略高。工具输出是Markdown格式，查看方便但难以程序化处理。整体而言，对于有一定技术基础的用户，这是一个值得推荐的ML工具包。