Communitygithub.com

scomp-link — Boîte à outils ML de bout en bout

Boîte à outils ML automatisant l'ensemble du workflow — profilage des données, prétraitement, ingénierie des caractéristiques, sélection de modèles, entraînement, validation, explicabilité, détection de dérive, biais équitables et génération de rapports HTML interactifs. Comprend une CLI complète pour des pipelines ML sans code. Nécessite Python 3.10+.

Qu'est-ce que scomp-link — Boîte à outils ML de bout en bout ?

scomp-link est une boîte à outils ML complète qui automatise l'ensemble du cycle de vie d'un projet d'apprentissage automatique, du profilage des données jusqu'au déploiement. Elle permet aux développeurs et ingénieurs ML d'orchestrer des pipelines complexes via une interface en ligne de commande (24 commandes) sans écrire de code Python, ce qui accélère considérablement l'expérimentation et la mise en production. La plateforme supporte une large gamme de tâches : régression, classification, clustering, séries temporelles, NLP et détection d'anomalies. scomp-link se distingue par sa capacité à générer des artefacts persistants au format `.scomp` (modèle + préprocesseur + configuration + métriques), offrant ainsi une traçabilité et une reproductibilité totales. Il produit également des rapports HTML riches et interactifs (avec Plotly, Highcharts et RAWGraphs) adaptés à la communication des résultats. L'intégration d'un serveur MCP permet aux agents IA (comme Claude Desktop, Cursor ou Kiro) d'interagir directement avec la boîte à outils. Son système de visualisation intégré propose plus de 40 types de graphiques pour l'exploration des données, les corrélations, les hiérarchies et les réseaux. scomp-link est donc idéal pour les équipes souhaitant industrialiser leurs workflows ML sans sacrifier la flexibilité ni la qualité des analyses.

Compatible avec✓Claude Code~Codex CLI✓Cursor
npx skills add GiacomoSaccaggi/scomp_link

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Que fait scomp-link — Boîte à outils ML de bout en bout ?

Vue d'ensemble

scomp-link automatise l'ensemble du workflow ML : profilage des données → prétraitement → ingénierie des caractéristiques → sélection de modèles → entraînement → validation → explicabilité → supervision → déploiement.

Utilisez scomp-link plutôt que sklearn pur lorsque vous avez besoin de :

  • ML sans code via CLI (24 commandes)
  • Sélection automatique de modèles basée sur les caractéristiques des données
  • Artefacts persistants (format .scomp : modèle + préprocesseur + configuration + métriques)
  • Rapports HTML avec graphiques interactifs intégrés
  • Supervision de production (dérive + anomalie + équité)
  • Optimisation des hyperparamètres en une commande (Optuna/Halving)

Utilisez sklearn pur lorsque vous avez besoin de :

  • Architectures de modèles personnalisées absentes de la fabrique
  • Contrôle fin de chaque étape de prétraitement
  • Workflows de recherche nécessitant une flexibilité totale

Installation

pip install scomp-link

Arbre de décision : Quelle commande utiliser

J'ai des données et je veux...
├─ Les comprendre rapidement          → scomp-link describe --data file.csv
├─ Un rapport qualité complet (HTML)  → scomp-link quality --data file.csv --output report.html
├─ Ingénierie des caractéristiques    → scomp-link engineer --data file.csv --target y --interactions --log-transform
├─ Entraîner un modèle
│  ├─ Régression                      → scomp-link run --data file.csv --target y --task regression
│  ├─ Classification                  → scomp-link run --data file.csv --target y --task classification
│  ├─ Classification de texte         → scomp-link text --data file.csv --text-col msg --target label
│  ├─ Clustering                      → scomp-link cluster --data file.csv --n-clusters 5
│  └─ Pipeline complet depuis YAML    → scomp-link pipeline --config pipeline.yaml
├─ Optimiser les hyperparamètres      → scomp-link tune --data file.csv --target y --task regression --method optuna
├─ Prédire avec un modèle sauvegardé  → scomp-link predict --artifact model.scomp --data new.csv
├─ Valider sur des données de test    → scomp-link validate --artifact model.scomp --data test.csv --target y
├─ Expliquer les décisions du modèle  → scomp-link explain --artifact model.scomp --data test.csv
├─ Superviser la production
│  ├─ Dérive uniquement               → scomp-link drift --reference train.csv --current prod.csv
│  ├─ Supervision complète            → scomp-link monitor --reference train.csv --current prod.csv --artifact model.scomp
│  └─ Détection d'anomalies           → scomp-link anomaly --data prod.csv --methods iforest,lof,tabnet,transformer
├─ Vérifier l'équité / le biais       → scomp-link fairness --data preds.csv --target y_true --predicted y_pred --sensitive gender
├─ Prévisions de séries temporelles   → scomp-link forecast --data series.csv --column value --horizon 30
├─ Comparer des modèles               → scomp-link compare --artifacts v1.scomp v2.scomp
├─ Générer un rapport HTML            → scomp-link report --data file.csv --output report.html
├─ Servir comme API REST              → scomp-link serve --artifact model.scomp --port 8080
├─ Exporter vers ONNX/pickle          → scomp-link export --artifact model.scomp --format onnx
└─ Structurer un nouveau projet       → scomp-link init my_project

Workflow recommandé

Pipeline ML standard

# 1. Profilage des données
scomp-link describe --data train.csv --format table

# 2. Vérification de la qualité
scomp-link quality --data train.csv --output quality_report.html

# 3. Ingénierie des caractéristiques
scomp-link engineer --data train.csv --target price --interactions --log-transform --output engineered.csv

# 4. Optimisation des hyperparamètres
scomp-link tune --data engineered.csv --target price --task regression --method optuna --n-trials 100 --save-artifact best_model.scomp

# 5. Validation sur données de test
scomp-link validate --artifact best_model.scomp --data test.csv --target price --report validation.html

# 6. Explicabilité
scomp-link explain --artifact best_model.scomp --data test.csv

# 7. Déploiement
scomp-link serve --artifact best_model.scomp --port 8080

Pipeline YAML (tout-en-un)

# pipeline.yaml
data: train.csv
target: price
task: regression
engineer:
  interactions: true
  log_transform: true
tune:
  method: optuna
  n_trials: 50
validate:
  test_data: test.csv
  report: validation_report.html
save: models/price_model.scomp
scomp-link pipeline --config pipeline.yaml

Visualisations & Rapports

scomp-link dispose de trois moteurs de visualisation. Consultez le guide de visualisation pour plus de détails.

Référence rapide

MoteurIdéal pourSortieInteractivité
PlotlyGraphiques ML standards (histogrammes, nuages, barres)HTML (interactif)Oui
RAWGraphsDiagrammes de qualité publication (sankey, treemap, chord)SVG (statique)Non
HighchartsSéries temporelles (streamgraph, heatmap, gantt)HTML (interactif)Oui

Création d'un rapport HTML (API Python)

from scomp_link.utils.report_html import ScompLinkHTMLReport
from scomp_link.utils.plotly_utils import histogram, barchart, linechart, area_chart
from scomp_link.utils.highcharts import streamgraphs, calendar_heatmap, calendar_gantt
from scomp_link.utils.rawgraphs import treemap, sankey_diagram, sunburst

# 1. Initialisation
report = ScompLinkHTMLReport(title='Mon rapport d\'analyse')

# 2. Ajout de sections avec contenu
report.open_section("Aperçu des données")
report.add_title("Statistiques du jeu de données")
report.add_text("Analyse de 10 000 enregistrements clients.")
report.add_dataframe(summary_df, "Statistiques descriptives")
report.close_section()

# 3. Ajout de graphiques
report.open_section("Distributions")
fig = histogram(df['age'].values, "Distribution des âges")
report.add_graph_to_report(fig, "Histogramme des âges")
report.close_section()

# 4. Ajout de SVG RAWGraphs
report.open_section("Vue hiérarchique")
svg = treemap(labels, parents, values, "Revenu par catégorie")
report.add_rawgraphs_to_report(svg, "Treemap des revenus")
report.close_section()

# 5. Ajout de Highcharts
report.open_section("Tendances temporelles")
html_stream = streamgraphs("Tendance des ventes", dates, series_dict, area=True)
report.html_report += html_stream  # Ajout direct HTML pour Highcharts
report.close_section()

# 6. Sauvegarde
report.save_html('analysis_report.html')
report.save_pdf('analysis_report.pdf')  # nécessite Playwright

Graphiques disponibles (31 RAWGraphs + 5 Plotly + 3 Highcharts)

Comparaisons : barchart, barchartmultiset, barchartstacked, piechart, radarchart, voronoidiagram Distributions : beeswarm, boxplot, violinplot Séries temporelles : bumpchart, gantt_chart, horizongraph, linechart, slopechart, streamgraph Corrélations : bubblechart, contour_plot, convex_hull, hexagonal_binning, matrixplot, parallelcoordinates Hiérarchies : circlepacking, circular_dendrogram, dendrogram, sunburst, treemap, voronoi_treemap Réseaux : alluvial_diagram, arc_diagram, chord_diagram, sankey_diagram Plotly : histogram, multiple_histograms, barchart, linechart, area_chart Highcharts : streamgraphs, calendar_heatmap, calendar_gantt

Chaînage des commandes

Les commandes sont conçues pour être chaînées — la sortie de l'une est l'entrée de la suivante :

describe → (comprendre les colonnes) → engineer → (engineered.csv) → tune → (model.scomp) → validate → (métriques)
                                                                                      ↓
                                                                               predict (nouvelles données)
                                                                                      ↓
                                                                               serve (API REST)

Motifs clés :

  • --save-artifact model.scomp → utilisé avec --artifact model.scomp dans predict/validate/explain/export/serve
  • --output file.csv → utilisé comme --data file.csv dans la commande suivante
  • --report file.html → sortie HTML autonome (consultable dans un navigateur)
  • --plot file.html → sortie graphique pour forecast/drift/anomaly/cluster/compare

Erreurs courantes et correctifs

ErreurCauseCorrectif
ValueError: could not convert string to floatColonnes catégorielles dans un modèle numériqueUtilisez le paramètre --engineer ou prétraitez les catégorielles
FileNotFoundError: artifact not foundMauvais chemin vers le fichier .scompVérifiez que le chemin existe, utilisez des chemins absolus
ImportError: torch requiredDépendances NLP/deep learning manquantespip install scomp-link inclut toutes les dépendances
ArrowInvalid: 1-dimensional arrayDonnées image/tableau dans le prétraitementCorrigé dans v1.2.0 — mettez à jour scomp-link
No module named 'click'Dépendance spaCy manquantepip install click (dépendance transitive)
WeasyPrint: cannot load gobjectBibliothèques système manquantes pour PDFUtilisez save_pdf() (Playwright) au lieu de WeasyPrint

Serveur MCP

scomp-link inclut un serveur MCP pour l'intégration avec les agents :

# Démarrez le serveur MCP (mode stdio pour Claude Desktop / Kiro / Cursor)
scomp-link mcp

# Ou exécutez directement
python -m scomp_link.mcp_server

Consultez le guide des patterns de workflow pour des exemples complets de workflows.

Skills associés