Was macht ml-feature-evaluator?
Strukturierte 10-Schritt-Diagnose für die Go/No-Go-Feature-Bewertung in Produktions-ML-Pipelines. Deckt Ergebnisgradienten, Abdeckungslücken, Entropie/Gewinn-Verhältnis, bedingte MI, inkrementelle CV-AUC und 9-Punkt-Temporalsicherheit ab. Claude Code-Skill.
Schritte
- Ergebnisgradient – Prüfen, ob das Feature eine signifikante und konsistente Änderung des Vorhersageergebnisses bewirkt.
- Abdeckungslücken – Identifizieren, ob das Feature in bestimmten Teilmengen der Daten fehlt oder unvollständig ist.
- Entropie/Gewinn-Verhältnis – Messen der Informationsdichte und des relativen Beitrags des Features.
- Bedingte MI – Bewerten der Abhängigkeit des Features vom Ziel unter Berücksichtigung anderer Features.
- Inkrementelle CV-AUC – Messen des marginalen AUC-Zuwachses durch das Feature im Kreuzvalidierungssetting.
- Temporale Stabilität (9-Punkt) – Bewerten der zeitlichen Konsistenz des Features, z. B. über verschiedene Zeitfenster.
- Korrelation mit bestehenden Features – Vermeiden von Redundanz und Multikollinearität.
- Feature-Wichtigkeit – Rangfolge der Features nach ihrer Bedeutung für das Modell.
- Modellinterpretierbarkeit – Sicherstellen, dass das Feature zur Erklärbarkeit beiträgt.
- Go/No-Go-Entscheidung – Konsolidierte Bewertung und abschließende Empfehlung.
Verwendung
Führen Sie die Schritte nacheinander aus, jeweils mit Claude Code, um jeden Aspekt zu überprüfen. Der Skill kann in CI/CD-Pipelines oder als manuelle Überprüfung vor der Produktionseinführung integriert werden.