下载

Skill UI

浏览并发现 7568+ 精选技能

全部编程开发人工智能设计创意产品商业数据科学市场营销职场通用效率工具硬件工程语言学习

搜索回归分析，共找到 14 条记录

默认排序最新上传最多下载

性能回归识别器

detecting-performance-regressions

jeremylongshore/claude-code-plugins-plus-skills

在持续集成/持续交付流水线中自动分析关键性能指标，基于历史基线与阈值检测响应时间或吞吐量的性能回归，帮助在发布前及时发现瓶颈并生成报告。

快照测试管理

managing-snapshot-tests

jeremylongshore/claude-code-plugins-plus-skills

通过分析失败快照、区别有意变更与回归，并选择性更新受影响的文件，从而维护 Jest、Vitest、Playwright 和 Storybook 等框架的快照测试，提升测试套件准确性。

回归分析助手

performing-regression-analysis

jeremylongshore/claude-code-plugins-plus-skills

使用 regression-analysis-tool 插件执行回归建模，分析数据、构建线性或多项式模型、验证效果并输出性能指标，帮助用户预测结果或探索变量关系。

回归分析助手

regression-analysis-helper

jeremylongshore/claude-code-plugins-plus-skills

自动化支持回归分析任务：给出 SQL、可视化、统计和商业智能场景下的最佳实践、代码片段与校验建议，适合数据分析项目快速搭建和审查。

性能测试套件

running-performance-tests

jeremylongshore/claude-code-plugins-plus-skills

指导通过 k6、Artillery、JMeter、Locust 或 autocannon 在准生产环境执行负载/压力/峰值/浸泡测试，输出指标对比、瓶颈分析与 CI 回归防护。

回归测试追踪

tracking-regression-tests

jeremylongshore/claude-code-plugins-plus-skills

帮助 Claude 追踪并执行回归测试，自动化运行关键案例并分析结果，定位失败与不稳定项，确保新变更前的代码稳定性。

统计分析与假设检验指南

statistical-analysis

K-Dense-AI/claude-scientific-skills

本技能提供系统性的统计分析流程指导，主要应用于学术研究。它帮助用户选择合适的假设检验方法（如t检验、方差分析、回归等），进行假设前提检查以及效应量计算。功能涵盖从数据诊断到生成符合APA格式的专业报告的全过程。

Python统计建模与计量分析

K-Dense-AI/claude-scientific-skills

Statsmodels是用于Python的专业统计建模和计量经济学库。它提供了一套完整的工具集，支持进行严格的统计推断，包括普通最小二乘回归（OLS）、广义线性模型（GLM）、混合效应模型和时间序列分析（ARIMA）。适用于计量经济学、生物统计学等领域，进行详细的诊断分析、系数估计和假设检验，生成专业报告。

差异化安全代码审计

differential-review

sickn33/antigravity-awesome-skills

这是一种针对拉取请求（PR）、提交和代码差异（Diff）的深度安全代码审查流程。它超越了常规代码审查，重点关注身份验证、加密、外部调用和价值转移等高风险逻辑。本方法论强调基于证据的分析，要求构建详细的攻击场景模型，并生成结构化的审计报告，以发现遗漏的漏洞与回归。

PyMC贝叶斯建模与推断

K-Dense-AI/claude-scientific-skills

本技能详细介绍了使用PyMC进行贝叶斯模型构建和概率编程的完整流程。涵盖了从数据准备、建立分层模型（如线性回归、逻辑回归），到使用MCMC采样、进行后验预测检验（PPC）和模型诊断的全过程。适用于需要进行不确定性量化的科学研究和数据分析场景。

Go性能基准测量

golang-benchmark

samber/cc-skills-golang

为 Go 开发者提供基准编写、执行、pprof 分析、benchstat 统计比对及 CI/Prometheus 回归检测的完整测量流程，确保每次优化都建立在可靠的数据之上。

PyMC贝叶斯建模与推断

K-Dense-AI/scientific-agent-skills

本技能详细介绍了使用PyMC进行贝叶斯模型构建和概率编程的完整流程。涵盖了从数据准备、建立分层模型（如线性回归、逻辑回归），到使用MCMC采样、进行后验预测检验（PPC）和模型诊断的全过程。适用于需要进行不确定性量化的科学研究和数据分析场景。

语言