# Run Modeling

> 予測モデリングのワークフローを実装・評価する。引数: <dataset_path> <target> <task>

- Skill: `gabrielmoreira/run-modeling` (Agent Skill)
- Install (CLI): `npx skillmds@latest add gabrielmoreira/run-modeling`
- Raw SKILL.md: https://api.skillmd.com/api/skills/gabrielmoreira/run-modeling/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Productivity
- Author: gabrielmoreira (https://skillmd.com/u/gabrielmoreira)
- Updated: 2026-09-09
- Page: https://skillmd.com/skills/gabrielmoreira/run-modeling

---


# Skill: Run Modeling

このリポジトリの規約に従って、予測モデリングのワークフローを実装する。

呼び出し時の引数として、データセットパス・目的変数・予測タスクを受け取る。引数が空または不明な場合は、ユーザーに以下を確認する。

- **データセットパス**（例: `data/raw/titanic/train.csv`）
- **目的変数**（例: `Survived`）
- **予測タスク**（簡単な説明。例: 「乗客の生存を予測する二値分類」）

`CLAUDE.md`、`.claude/skills/` 配下の関連スキル、`docs/agent/*` に従って以下を実施する。

1. 特徴量エンジニアリングのコードを `src/analysis_project/` 配下に作成する。
2. モデリングのコードを `src/analysis_project/` 配下に作成する。
3. 学習・評価を実行するスクリプトを `scripts/` 配下に作成する。
4. ベースラインモデルとシンプルなMLモデルを最低1つずつ比較する。
5. train/validation分割を使用する。
6. ターゲットリーケージを確認する。
7. 評価指標を `outputs/tables/` に保存する。
8. 関連する図を `outputs/figures/` に保存する。
9. 特徴量エンジニアリングのテストを追加・更新する。
10. 可能であればテストと品質チェックを実行する。

最後に日本語で以下をまとめる。

- 作成・変更したファイル
- 使用した特徴量
- ベースラインの結果
- モデルの結果
- 最良モデル
- 制限事項・注意点
- 実行したコマンド
- 残課題