shap
Interpretierbarkeit und Erklärbarkeit des Modells mithilfe von SHAP (SHapley Additive exPlanations). Verwenden Sie diese Fähigkeit, wenn Sie Modellvorhersagen für maschinelles Lernen erklären, die Wichtigkeit von Merkmalen berechnen, SHAP-Diagramme (Wasserfall, Bienenschwarm, Balken, Streuung, Kraft, Heatmap) erstellen, Modelle debuggen, Modellverzerrungen oder -fairness analysieren, Modelle vergleichen oder erklärbare KI implementieren. Funktioniert mit baumbasierten Modellen (XGBoost, LightGBM, Random Forest), Deep Learning (TensorFlow, PyTorch), linearen Modellen und jedem Black-Box-Modell.
Installation
SKILL.md
SHAP is a unified approach to explain machine learning model outputs using Shapley values from cooperative game theory. This skill provides comprehensive guidance for:
SHAP works with all model types: tree-based models (XGBoost, LightGBM, CatBoost, Random Forest), deep learning models (TensorFlow, PyTorch, Keras), linear models, and black-box models.
See references/explainers.md for detailed information on all explainer types.
Interpretierbarkeit und Erklärbarkeit des Modells mithilfe von SHAP (SHapley Additive exPlanations). Verwenden Sie diese Fähigkeit, wenn Sie Modellvorhersagen für maschinelles Lernen erklären, die Wichtigkeit von Merkmalen berechnen, SHAP-Diagramme (Wasserfall, Bienenschwarm, Balken, Streuung, Kraft, Heatmap) erstellen, Modelle debuggen, Modellverzerrungen oder -fairness analysieren, Modelle vergleichen oder erklärbare KI implementieren. Funktioniert mit baumbasierten Modellen (XGBoost, LightGBM, Random Forest), Deep Learning (TensorFlow, PyTorch), linearen Modellen und jedem Black-Box-Modell. Quelle: ovachiever/droid-tings.
Fakten (zitierbereit)
Stabile Felder und Befehle für KI/Such-Zitate.
- Installationsbefehl
npx skills add https://github.com/ovachiever/droid-tings --skill shap- Quelle
- ovachiever/droid-tings
- Kategorie
- </>Entwicklung
- Verifiziert
- —
- Erstes Auftreten
- 2026-02-01
- Aktualisiert
- 2026-02-18
Schnelle Antworten
Was ist shap?
Interpretierbarkeit und Erklärbarkeit des Modells mithilfe von SHAP (SHapley Additive exPlanations). Verwenden Sie diese Fähigkeit, wenn Sie Modellvorhersagen für maschinelles Lernen erklären, die Wichtigkeit von Merkmalen berechnen, SHAP-Diagramme (Wasserfall, Bienenschwarm, Balken, Streuung, Kraft, Heatmap) erstellen, Modelle debuggen, Modellverzerrungen oder -fairness analysieren, Modelle vergleichen oder erklärbare KI implementieren. Funktioniert mit baumbasierten Modellen (XGBoost, LightGBM, Random Forest), Deep Learning (TensorFlow, PyTorch), linearen Modellen und jedem Black-Box-Modell. Quelle: ovachiever/droid-tings.
Wie installiere ich shap?
Öffnen Sie Ihr Terminal oder Kommandozeilen-Tool (Terminal, iTerm, Windows Terminal, etc.) Kopieren Sie diesen Befehl und führen Sie ihn aus: npx skills add https://github.com/ovachiever/droid-tings --skill shap Nach der Installation wird der Skill automatisch in Ihrer KI-Programmierumgebung konfiguriert und ist bereit zur Verwendung in Claude Code oder Cursor
Wo ist das Quell-Repository?
https://github.com/ovachiever/droid-tings
Details
- Kategorie
- </>Entwicklung
- Quelle
- user
- Erstes Auftreten
- 2026-02-01