← Recherche

ML model explanation — feature importance, SHAP-style attribution, LIME and partial dependence
IA 🧪 Installation exécutée dans notre sandbox de test · 11 nov. 2026 📌 Version épinglée : commit 3f5182c
Test d’installation seulement, à la date indiquée. Ne garantit pas la sécurité du code.
⚙ Prérequis: Python avec scikit-learn, numpy, pandas…

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

L’essentiel
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.

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 3f5182c

Étape 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.

🔒 Sécurité, provenance et ce que ça touche
🧭 Ce que ça touche
D’après le prompt d’installation que nous avons analysé, ce skill ne lance pas de commandes, ne fait pas d’appels réseau à des tiers, n’installe pas de paquets, n’écrit pas de fichiers et ne demande pas de clés API.
Analyse du prompt d’installation · 2026-10-13
🔒 Sécurité et provenance
📌 Version épinglée : commit 3f5182c · 2026-10-13
🧪 Installation exécutée dans notre sandbox de test · 11 nov. 2026
👁 Observé pendant le test d’installation · 11 nov. 2026 : registry.npmjs.org
🔎 Dernière vérification · 19 nov. 2026 : aucun changement détecté dans les fichiers liés par ce prompt d’installation
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
Envie d'être encore plus prudent ?

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 ?

Comment vérifier un skill avant de l’installer →

✓

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

\u2318

Prompts IA utiles

?

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.