機器學習 MCP 伺服器

基於 FastMCP 框架構建的機器學習工具包伺服器，提供 30 個 MCP 工具，覆蓋分類、迴歸、聚類、降維、模型評估和資料預處理等核心機器學習任務。

工具總覽

分類工具 (6個)

• logistic_regression - 邏輯迴歸分類
• knn_classifier - K近鄰分類
• svm_classifier - 支援向量機分類
• decision_tree_classifier - 決策樹分類
• random_forest_classifier - 隨機森林分類
• naive_bayes_classifier - 樸素貝葉斯分類

迴歸工具 (6個)

• linear_regression - 線性迴歸
• ridge_regression - 嶺迴歸
• lasso_regression - Lasso迴歸
• polynomial_regression - 多項式迴歸
• decision_tree_regressor - 決策樹迴歸
• random_forest_regressor - 隨機森林迴歸

聚類與降維工具 (6個)

• kmeans_clustering - K均值聚類
• dbscan_clustering - DBSCAN密度聚類
• hierarchical_clustering - 層次聚類
• pca_reduction - PCA主成分降維
• tsne_reduction - t-SNE非線性降維
• silhouette_analysis - 輪廓係數分析

模型評估工具 (8個)

• train_test_split_data - 資料集分割
• cross_validate_model - 交叉驗證
• classification_report_tool - 分類報告
• confusion_matrix_tool - 混淆矩陣
• roc_curve_analysis - ROC曲線分析
• feature_importance_analysis - 特徵重要性分析
• hyperparameter_grid_search - 網格搜尋調參
• learning_curve_analysis - 學習曲線分析

資料預處理工具 (4個)

• preprocess_data - 資料標準化/歸一化
• encode_categorical - 分類變數編碼

  來源於7w4.net。

• handle_missing_values - 缺失值處理
• feature_selection - 特徵選擇

引數格式約定

• 一維陣列: 逗號分隔，如 "1.0,2.0,3.0"
• 二維矩陣: 分號分隔行，逗號分隔列，如 "1,2;3,4;5,6"
• 所有工具返回 Markdown 格式字串

使用方式

python server.py

或配置到 MCP 客戶端中執行。

這是一套質量不錯的機器學習工具，功能豐富、文件清晰、容易上手。但引數傳遞採用字串格式（逗號分陣列、分號分矩陣），對普通使用者而言不夠直觀，學習成本略高。工具輸出是Markdown格式，檢視方便但難以程式化處理。整體而言，對於有一定技術基礎的使用者，這是一個值得推薦的ML工具包。