ML model explanation — feature importance, SHAP-style attribution, LIME and partial dependence
Expliquer les prédictions ML avec importance des features, un calculateur de type SHAP fait maison, un substitut local LIME, dépendances partielles et graphes de sensibilité
- Quoi
- Expliquer les prédictions ML avec importance des features, un calculateur de type SHAP fait maison, un substitut local LIME, dépendances partielles et graphes de sensibilité
- Coût
- Gratuit
- Prérequis
- Python avec scikit-learn, numpy, pandas, matplotlib, seaborn — un modèle entraîné ou un dataset d'exemple à expliquer
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill d'explicabilité ML de @aj-geddes : un tour d'horizon pratique de la boîte à outils de l'explicabilité. Couvre l'importance des features (impureté vs permutation), un calculateur d'attribution de type SHAP fait maison, un modèle substitut local LIME, les graphes de dépendance partielle, l'analyse du comportement global et les tests de sensibilité des features — avec du code Python prêt à exécuter et des recettes de visualisation pour chaque technique, plus un tableau comparatif (vitesse, portée, coût) et le contexte réglementaire (droit à l'explication du RGPD, crédit équitable, transparence en santé). Bémols honnêtes : le skill implémente des approximations simplifiées maison de SHAP et LIME plutôt que les vraies librairies — excellent pour comprendre la mécanique, pas un substitut de production pour l'explicabilité réelle (utiliser le package `shap` pour du vrai travail). Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Réponse rapide
ML model explanation — feature importance, SHAP-style attribution, LIME and partial dependence est un skill gratuit pour Muse qui explique les prédictions ML avec importance des features, un calculateur de type SHAP fait maison, un substitut local LIME, dépendances partielles et graphes de sensibilité, pour qu'une prédiction arrive avec des raisons inspectables, pas juste un score.
Installation
Copiez le dossier d’installation ci-dessous, puis collez-le dans Muse🧪 Installation exécutée dans notre sandbox de test · 11 nov. 2026📌 Version épinglée : commit 3f5182cÉtape 0 — avant d'installer quoi que ce soit : lis ce prompt d'installation, résume en quelques lignes ce que ce build fait et ce que l'installation implique, puis demande-moi de confirmer avant de continuer. Prérequis : Python avec scikit-learn, numpy, pandas, matplotlib, seaborn — un modèle entraîné ou un dataset d'exemple à expliquer Installe-moi « Explicabilité des modèles ML — importance des features, attribution type SHAP, LIME et dépendances partielles ». Il donne à mon agent le tour d'horizon d'explicabilité de @aj-geddes : importance des features (impureté vs permutation), calculateur d'attribution de type SHAP fait maison, substitut local LIME, graphes de dépendance partielle, analyse de distribution des prédictions et de sensibilité des features, et recettes de visualisation, avec un tableau comparatif des techniques et le contexte réglementaire. IMPORTANT : le skill utilise des approximations SHAP/LIME simplifiées maison pour l'apprentissage — pour la production, installe plutôt la vraie librairie shap. Licence MIT. Dépôt : https://raw.githubusercontent.com/aj-geddes/useful-ai-prompts/3f5182cfd739fc113f4af5244a1cf342ad7f7911/skills/ml-model-explanation/SKILL.md Version épinglée : installe le code au commit 3f5182cfd739fc113f4af5244a1cf342ad7f7911 exactement (Skill Harbor a testé cette version). Ne substitue pas une version plus récente. Si ce commit est inaccessible, arrête-toi et dis-le-moi. 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire 2. Vérification de sécurité : examine le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Ce dépôt ne devrait contenir aucun secret en dur. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « ml-model-explanation ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. pip install scikit-learn pandas matplotlib seaborn et pointer l'agent vers mon modèle entraîné ou dataset ; rien d'autre — c'est un guide avec du code exécutable). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Enregistré dans vos installs récentes. Retrouvez-le à tout moment sur /connect.
🔒 Sécurité, provenance et ce que ça touche
Le prompt d'installation ci-dessous inclut déjà les étapes de vérification : votre agent suit la checklist communautaire avant d'installer tout ce qui contient du code exécutable. Vous en voulez plus ?
Certificat de vérification
Faits datés sur ce qui a été vérifié pour cette fiche, et comment. Ce n’est pas une certification de sécurité.
- Version épinglée
- 3f5182c · 2026-10-13
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 11 nov. 2026 · Observé pendant le test d’installation: registry.npmjs.org
- Identité du créateur
- Non vérifiée
- Veille d’empreinte
- Dernière vérification · 19 nov. 2026 : aucun changement détecté dans les fichiers liés par ce prompt d’installation
- Analyse du prompt d’installation
- 2026-10-13 : Aucune commande, appel réseau, paquet, écriture de fichier ni clé API détecté.
Skill Harbor ne révise jamais le code des skills listés. Ce sont des faits datés sur le prompt d’installation et notre test d’installation, pas une certification de sécurité. Révisez un skill vous-même avant de l’installer. Comment nous vérifions
Prompts IA utiles
Du même créateur, dans la même série :
Questions
Comment installer un skill ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe le skill pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours un skill avant de l’installer.