dsh-ml-workbench
在终端中运行以下命令:
dsh plugin install shinerain1/dsh-ml-workbench
将以下提示词粘贴到 DeepSeek Harness 对话框中:
在 DeepSeek Harness 中执行 dsh plugin install shinerain1/dsh-ml-workbench 安装本插件;Python 后端与更多说明见开源仓库 https://github.com/shinerain1/dsh-ml-workbench。
插件介绍
在智能体对话里做机器学习,难点往往不在「能不能调库」,而在实验能不能被创建、等待、分支、对比和交付,且重启后会话与数据仍一致。dsh-ml-workbench 把这些能力收成一套面向 DSH 的本地工作流:训练与采样逻辑仍交给成熟的 MLflow、Optuna 和 scikit-learn,插件负责让智能体用统一工具完成从数据检视到可复现产出的全链路。
它围绕 CSV 与实验生命周期设计:先检视缺失、类型与重复,再创建可幂等的实验快照(数据、代码、参数、环境与验证索引);运行与列表在会话恢复后仍能还原 run 状态,失败不会被误报为成功。你可以从成功父实验分支出新 run,默认复用已拟合的预处理;也能做配置与代码差异说明,并在条件兼容时对比分类指标(含 ROC-AUC、混淆矩阵等)。
调参方面接入可恢复的 Optuna 研究,分步异步推进,DSH 重启后可继续同一 study。选定验证集上的模型后,可在预留的最终测试分区上做一次性收官评估,并导出经校验的 ZIP(模型、报告、环境与独立复现所需物)。预测工具会对照特征清单,把结果与概率写到本地 CSV。
适合在本地、单用户场景下用 DSH 驱动 sklearn 分类等实验的数据从业者与实验型开发者;需要多租户服务、自动防泄漏、时序预测管线或 GPU 大规模训练的平台型需求,仍需在上游或自建栈中补齐。
使用场景
- 用对话创建实验、分支并复用父 run 的拟合预处理
- 在本地 CSV 上完成检视、训练、对比与导出复现包
- 用 Optuna 分步调参并在 DSH 重启后继续同一 study
适合人员
- 在本地用 DSH 驱动 sklearn 实验的数据从业者
- 需要 MLflow 追踪与实验快照的智能体工作流用户
- 重视验证集选型与最终测试分区收官的单用户开发者