科研 Skill

模型可解释性与SHAP分析

shap

当用户需要用SHAP解释生物医学表格模型、检查加和性与相关特征影响,并生成全局和个体级解释报告时使用。

发布者 Codar安全审核通过v0.1.2更新于 2026-10-10

SKILL.md

模型可解释性与SHAP分析

先明确模型预测的对象、输出尺度、目标类别、数据切分和解释用途。SHAP 描述模型如何形成预测,不说明特征对真实生物结局具有因果作用;训练数据泄漏、强相关特征和错误背景集会使解释看似合理但实际无效。

根据模型类型选择解释器。树模型优先使用 TreeExplainer;线性模型、深度模型和任意函数应选择相匹配的解释器。背景数据只能来自训练范围并保持代表性;分类模型必须说明解释的是 raw、概率还是损失空间。先验证 SHAP 值与基线值的加和重构,再生成 beeswarm、bar、dependence 和个体 waterfall 等图。

需要运行表格模型解释时读取解释与审计规范,然后运行 scripts/tabular_shap_report.py。该脚本接受 CSV 和目标列,训练一个可复现的基线随机森林并输出报告;它不是对任意生产模型的序列化加载器。维护时运行 scripts/test_tabular_shap_report.py。

交付模型性能、背景集、输出尺度、全局重要性、个体解释、相关特征敏感性和加和性误差。不得把 SHAP 排名直接写成生物标志物或治疗靶点结论。

默认图件交付

模型可解释性与SHAP分析的现有绘图入口调用图件交付内核,为实际结果保存PNG、SVG、PDF,关闭背景主次网格,保留该分析的数据线与科学参照;逐图查看交付记录和最终预览,失败不得报告成功。

所属插件

通用科研与数据服务通用科研工作流与共享生物医学数据 MCP。

安装该插件会一并获得同领域的 68 个 Skill / MCP。

同插件的其他科研 Skill

常见问题

模型可解释性与SHAP分析能做什么?

当用户需要用SHAP解释生物医学表格模型、检查加和性与相关特征影响,并生成全局和个体级解释报告时使用。

如何安装模型可解释性与SHAP分析?

在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「模型可解释性与SHAP分析」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。

模型可解释性与SHAP分析需要哪些权限?

该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。

模型可解释性与SHAP分析经过官方审核吗?

是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。