shap
✓Interpretabilidad y explicabilidad del modelo utilizando SHAP (SHapley Additive exPlanations). Utilice esta habilidad al explicar predicciones de modelos de aprendizaje automático, calcular la importancia de las características, generar gráficos SHAP (cascada, enjambre de abejas, barra, dispersión, fuerza, mapa de calor), depurar modelos, analizar el sesgo o la equidad del modelo, comparar modelos o implementar IA explicable. Funciona con modelos basados en árboles (XGBoost, LightGBM, Random Forest), aprendizaje profundo (TensorFlow, PyTorch), modelos lineales y cualquier modelo de caja negra.
Instalación
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.
Interpretabilidad y explicabilidad del modelo utilizando SHAP (SHapley Additive exPlanations). Utilice esta habilidad al explicar predicciones de modelos de aprendizaje automático, calcular la importancia de las características, generar gráficos SHAP (cascada, enjambre de abejas, barra, dispersión, fuerza, mapa de calor), depurar modelos, analizar el sesgo o la equidad del modelo, comparar modelos o implementar IA explicable. Funciona con modelos basados en árboles (XGBoost, LightGBM, Random Forest), aprendizaje profundo (TensorFlow, PyTorch), modelos lineales y cualquier modelo de caja negra. Fuente: jackspace/claudeskillz.
Datos (listos para citar)
Campos y comandos estables para citas de IA/búsqueda.
- Comando de instalación
npx skills add https://github.com/jackspace/claudeskillz --skill shap- Fuente
- jackspace/claudeskillz
- Categoría
- </>Desarrollo
- Verificado
- ✓
- Primera vez visto
- 2026-02-17
- Actualizado
- 2026-02-18
Respuestas rápidas
¿Qué es shap?
Interpretabilidad y explicabilidad del modelo utilizando SHAP (SHapley Additive exPlanations). Utilice esta habilidad al explicar predicciones de modelos de aprendizaje automático, calcular la importancia de las características, generar gráficos SHAP (cascada, enjambre de abejas, barra, dispersión, fuerza, mapa de calor), depurar modelos, analizar el sesgo o la equidad del modelo, comparar modelos o implementar IA explicable. Funciona con modelos basados en árboles (XGBoost, LightGBM, Random Forest), aprendizaje profundo (TensorFlow, PyTorch), modelos lineales y cualquier modelo de caja negra. Fuente: jackspace/claudeskillz.
¿Cómo instalo shap?
Abre tu terminal o herramienta de línea de comandos (Terminal, iTerm, Windows Terminal, etc.) Copia y ejecuta este comando: npx skills add https://github.com/jackspace/claudeskillz --skill shap Una vez instalado, el skill se configurará automáticamente en tu entorno de programación con IA y estará listo para usar en Claude Code o Cursor
¿Dónde está el repositorio de origen?
https://github.com/jackspace/claudeskillz
Detalles
- Categoría
- </>Desarrollo
- Fuente
- skills.sh
- Primera vez visto
- 2026-02-17