Feature Engineering Toolkit — create, select, and transform ML features
Ingénier de meilleures variables pour le machine learning : créer des termes d'interaction, sélectionner les variables les plus pertinentes, appliquer des transformations de scaling/encodage — l'agent génère et exécute du code Python (à relire avant exécution) et rapporte l'importance des variables et l'impact
- Quoi
- Ingénier de meilleures variables pour le machine learning : créer des termes d'interaction, sélectionner les variables les plus pertinentes, appliquer des transformations de scaling/encodage — l'agent génère et exécute du code Python (à relire avant exécution) et rapporte l'importance des variables et l'impact
- Coût
- Gratuit
- Prérequis
- Python 3 avec pandas et scikit-learn pour exécuter le code généré — un jeu de données dont les variables doivent être ingéniées ; permissions d'accès aux fichiers du répertoire de projet
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill engineering-features-for-machine-learning de @jeremylongshore, listé ici avec crédit à son créateur (écrit par Jeremy Longshore, conçu pour Claude Code) : un toolkit de feature engineering pour le machine learning qui crée, sélectionne et transforme des variables pour améliorer les performances des modèles. Le workflow : Claude analyse la demande, génère du code Python pour la tâche de feature engineering (termes d'interaction comme âge × revenu, sélection top-K par Random Forest ou SelectKBest, transformations de scaling/normalisation/encodage), l'exécute, puis rapporte métriques de performance et insights (importance des variables, impact des transformations). Il couvre les bonnes pratiques (valider les données d'abord, scaler les numériques, encoder proprement les catégorielles), les prérequis, la gestion d'erreurs et l'intégration avec d'autres skills pour des pipelines ML complets. Bémols honnêtes : les allowed-tools du skill incluent Bash(cmd:*) — l'agent génère ET EXÉCUTE du code, donc relis ce qu'il prévoit d'exécuter avant qu'il le fasse (surtout sur des données partagées ou de production) ; c'est un skill déclenché par phrases (« engineer features »), pas une référence ML générale — à combiner avec un skill de modélisation dédié. Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : Python 3 avec pandas et scikit-learn pour exécuter le code généré — un jeu de données dont les variables doivent être ingéniées ; permissions d'accès aux fichiers du répertoire de projet Installe-moi « Feature Engineering Toolkit — créer, sélectionner et transformer des variables ML ». Il donne à mon agent le workflow de feature engineering de @jeremylongshore (par Jeremy Longshore, conçu pour Claude Code) : analyser la demande de feature engineering, générer du code Python pour créer des termes d'interaction, sélectionner les meilleures variables et appliquer des transformations de scaling/encodage, l'exécuter et rapporter l'importance des variables et l'impact — avec bonnes pratiques, gestion d'erreurs et hooks d'intégration pour des pipelines ML complets. Licence MIT. NOTE : les allowed-tools de ce skill incluent Bash(cmd:*) — il va générer ET EXÉCUTER du code ; toujours relire ce qu'il prévoit d'exécuter avant qu'il le fasse. Dépôt : https://github.com/jeremylongshore/tons-of-skills-marketplace/blob/main/plugins/ai-ml/feature-engineering-toolkit/skills/engineering-features-for-machine-learning/SKILL.md 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 2. Vérification de sécurité : examine le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Ce dépôt ne devrait contenir aucun secret en dur. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « engineering-features-for-machine-learning ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. vérifier pandas/scikit-learn installés ; pointer l'agent vers mon jeu de données ; relire le code généré avant exécution — le skill exécute des commandes shell). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Questions
Comment installer une création ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe la création pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours une création avant de l’installer.