shap
✓使用 SHAP（SHapley Additive exPlanations）建立模型的可解釋性和可解釋性。在解釋機器學習模型預測、計算特徵重要性、產生 SHAP 圖（瀑布圖、蜂群圖、長條圖、散佈圖、力圖、熱圖）、調試模型、分析模型偏差或公平性、比較模型或實現可解釋的 AI 時，請使用此技能。適用於基於樹的模型（XGBoost、LightGBM、隨機森林）、深度學習（TensorFlow、PyTorch）、線性模型和任何黑盒子模型。
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.
使用 SHAP（SHapley Additive exPlanations）建立模型的可解釋性和可解釋性。在解釋機器學習模型預測、計算特徵重要性、產生 SHAP 圖（瀑布圖、蜂群圖、長條圖、散佈圖、力圖、熱圖）、調試模型、分析模型偏差或公平性、比較模型或實現可解釋的 AI 時，請使用此技能。適用於基於樹的模型（XGBoost、LightGBM、隨機森林）、深度學習（TensorFlow、PyTorch）、線性模型和任何黑盒子模型。 來源：jackspace/claudeskillz。
可引用資訊
為搜尋與 AI 引用準備的穩定欄位與指令。
- 安裝指令
npx skills add https://github.com/jackspace/claudeskillz --skill shap- 分類
- </>開發工具
- 認證
- ✓
- 收錄時間
- 2026-02-17
- 更新時間
- 2026-02-18
快速解答
什麼是 shap？
使用 SHAP（SHapley Additive exPlanations）建立模型的可解釋性和可解釋性。在解釋機器學習模型預測、計算特徵重要性、產生 SHAP 圖（瀑布圖、蜂群圖、長條圖、散佈圖、力圖、熱圖）、調試模型、分析模型偏差或公平性、比較模型或實現可解釋的 AI 時，請使用此技能。適用於基於樹的模型（XGBoost、LightGBM、隨機森林）、深度學習（TensorFlow、PyTorch）、線性模型和任何黑盒子模型。 來源：jackspace/claudeskillz。
如何安裝 shap？
開啟你的終端機或命令列工具（如 Terminal、iTerm、Windows Terminal 等） 複製並執行以下指令：npx skills add https://github.com/jackspace/claudeskillz --skill shap 安裝完成後，技能將自動設定到你的 AI 程式設計環境中，可以在 Claude Code 或 Cursor 中使用
這個 Skill 的原始碼在哪？
https://github.com/jackspace/claudeskillz
詳情
- 分類
- </>開發工具
- 來源
- skills.sh
- 收錄時間
- 2026-02-17