BF radiomics-ml
Проведение или аудит исследования радиомики / табличных клинических ML — изображения или клинические признаки → любой классический ученик (логистическая регрессия с регуляризацией [LASSO / ridge / elastic-net], SVM, k-NN, наивный Байес, LDA/QDA, дерево решений, случайный лес, градиентный бустинг [XGBoost / LightGBM / CatBoost], мелкий MLP, стековые ансамбли) → клинический исход — чтобы он соответствовал требованиям строгости, ожидаемым рецензентами: вложенная перекрестная проверка (настройка никогда не выполняется на отчитываемых фолдах), контроль размерности для режима "признаков намного больше, чем событий", отбор признаков внутри фолда, фильтрация стабильности признаков (ICC / тест-ретест), калибровка и внешняя/временная валидация. Детерминированный шлюз не зависит от ученика (он проверяет конвейер, а не алгоритм). Выдает манифест конвейера и шлюз. Наиболее распространенный рабочий процесс клинического ML, который можно выполнить самостоятельно — без GPU, без инженера. Интегрирует scikit-learn / xgboost / lightgbm / catboost / pyradiomics; не переписывает их.
машинный переводПоказать оригиналСкрыть оригинал«Produce or audit a radiomics / tabular clinical-ML study — imaging or…»
Produce or audit a radiomics / tabular clinical-ML study — imaging or clinical features → any classical learner (penalised logistic [LASSO / ridge / elastic-net], SVM, k-NN, naive Bayes, LDA/QDA, decision tree, random forest, gradient boosting [XGBoost / LightGBM / CatBoost], shallow MLP, stacked ensembles) → a clinical outcome — so it clears the rigor bar reviewers expect: nested cross-validation (tuning never on the reported folds), dimensionality control for the features-far-exceed-events regime, feature selection inside the fold, feature-stability (ICC / test-retest) filtering, calibration, and external/temporal validation. The deterministic gate is learner-agnostic (it audits the pipeline, not the algorithm). Emits a pipeline manifest and the gate. The most common solo-doable clinical-ML workflow — no GPU, no engineer. Integrates scikit-learn / xgboost / lightgbm / catboost / pyradiomics; it does not reimplement them.
Проведение или аудит исследования радиомики / табличных клинических ML — изображения или клинические признаки → любой классический ученик (логистическая…
Как процесс F 39/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: ../../docs/method_coverage_map.md
Как улучшить
- В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 10. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
missing-refссылка на отсутствующий файл: ../../docs/method_coverage_map.md - заметка
frontmatter-keyнеизвестное поле фронтматтера "triggers" - заметка
frontmatter-keyнеизвестное поле фронтматтера "tools"
Процессный рейтинг: все десять параметров 39/100
- 0Инструменты и файлы. Не хватает 1 файла(ов): ../../docs/method_coverage_map.md
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 50Когда включается. Не сказано, при каком запросе скилл включается
- 100Шаги. Шагов: 33
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1637 токенов
- 100Повторный запуск. Изменяющих операций нет
- medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +5В description нет примеров фраз, по которым скилл должен срабатывать
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Длина description 936: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +4Структура: 13 заголовков
- +3Пошаговые инструкции: 33 пунктов
- +4Есть примеры (2 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (1 из 1)
- +3Все 1 скриптов описаны в инструкциях
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 80.