MCP 服务器

mcp-ml-toolkit

基于FastMCP和scikit-learn构建的机器学习MCP服务器，提供30个工具覆盖分类、回归、聚类、降维、模型评估和数据预处理。

README

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

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