react-strict-dom
Set up react-strict-dom with Babel, PostCSS, and CSS-wrapped HTML components for universal Expo apps
571 repo starsObserved in 3 repos
Development
Development skills
Browse reusable Agent Skills, each with a clear purpose and practical guidance.
universal-theme
Configure light/dark/system theme handling across iOS, Android, and Web with universal CSS
571 repo starsObserved in 3 repos
Development
dnn-modeling
【DNN深度学习建模】当用户需要"深度学习"、"DNN建模"、"神经网络"、"MLP"、"跑个DNN"、"深度模型"时使用。基于 PyTorch 实现多层全连接网络（MLP）进行二分类建模。支持 BatchNorm、Dropout、学习率调度、早停。复用平台已有的三段式数据切分、AUC/KS/BCR评估体系、稳定性分析。前提条件：需要已有数据集。与 xgb-modeling 的区别：本 Skill 使用深度神经网络，适合高维特征交互场景；xgb-modeling 使用 XGBoost 树模型。
571 repo starsObserved in 1 repos
Development
dnn-tuning
【DNN调参】当用户说"DNN调参"、"深度学习调参"、"调整网络结构"、"调整dropout"、"DNN过拟合"时使用。基于 Optuna TPE 贝叶斯优化，搜索网络架构（层数、宽度、dropout）和训练参数（learning_rate、weight_decay、batch_size），诊断驱动约束搜索空间。前置条件：需先用 dnn-modeling 训练出基线模型。
571 repo starsObserved in 1 repos
Development
lr-modeling
【LR评分卡建模】当用户需要"逻辑回归"、"LR建模"、"评分卡"、"scorecard"、"WoE建模"、"跑个LR"时使用。基于 WoE 编码 + Logistic Regression 训练标准评分卡模型，输出系数表、分箱WoE映射、评分卡分数转换。复用平台已有的三段式数据切分、AUC/KS/BCR评估体系、稳定性分析。前提条件：需要已有数据集。**不做超参数调优**；不做特征工程。与 xgb-modeling 的区别：本 Skill 使用逻辑回归+WoE编码，输出可解释的评分卡模型；xgb-modeling 使用 XGBoost 树模型。
571 repo starsObserved in 1 repos
Development
segment-modeling
【分群自主探索】当用户需要"分群建模"、"客群拆分训练"、"探索最优分群方案"、"按xxx分组建模"、"不同客群分别训练"、"分群策略"时使用。支持规则分群（人类先验）、聚类分群（无监督发现）、决策树分群（有监督优化），自动探索最优分群策略并汇总子模型。前提条件：需要已完成基线建模（xgb-modeling）。不做全量样本统一建模，不做超参数调优。与 xgb-modeling 的区别：本 Skill 拆分客群分别建模，xgb-modeling 全量样本统一建模。
571 repo starsObserved in 1 repos
Development
xgb-deepmodel
【DeepModel深度建模】当用户需要"分群集成建模"、"分群+Stacking融合"、"子模型训练+集成"时使用。核心能力：按业务分群条件训练多个 XGBoost 子模型，通过 Stacking 融合成主模型，并与单模型基线对比。适用于"分群建模"、"按客群分别建模"、"子模型融合"、"集成学习"等高级场景。包含三个脚本：sub_trainer（分群子模型训练）、stacker（XGBoost Stacking融合）、comparator（集成vs基线对比）。与 xgb-modeling 的区别：本 Skill 拆分客群分别建模再融合，xgb-modeling 全量样本统一建模。与 segment-modeling 的区别：本 Skill 专注分群+Stacking融合，segment-modeling 专注分群策略探索。
571 repo starsObserved in 1 repos
Development
xgb-modeling
【XGBoost建模】当用户需要"训练模型"、"跑一个基线"、"建个模型试试"、"对比特征方案效果"、"预测一下"、"跑个xgb"、"看AUC/KS/BCR"时使用。支持多特征方案对比、AUC/KS/BCR/Brier评估、Bootstrap置信区间、概率校准曲线、稳定性分析（Mann-Kendall趋势检验）。前提条件：需要已完成特征分析并确定特征方案。**不做超参数调优，调参请用 xgb-tuning**；不做特征工程。与 auto-experiment 的区别：本 Skill 按用户指定方案训练，auto-experiment 自主探索特征组合。
571 repo starsObserved in 1 repos
Development
xgb-tuning
【XGBoost超参数调优 — 唯一调参入口】当用户说"帮我调参"、"模型过拟合了怎么办"、"调整learning_rate/max_depth等参数"时使用。核心能力：基于 Optuna TPE 贝叶斯优化 + 诊断驱动的约束搜索（过拟合→收紧树深度上限，欠拟合→抬高树深度下限），每轮输出诊断报告供用户确认。不做特征探索/特征工程，不批量跑多种方案对比。前置条件：需先用 xgb-modeling 训练出基线模型。与 auto-experiment 的区别：本Skill只调整"模型超参数"，auto-experiment 负责"自主探索特征和方案"。
571 repo starsObserved in 1 repos
Development