SHAP model explanations — Shapley values, plots and feature importance

Prérequis : Python avec shap installé et un modèle entraîné à expliquer — le skill est un guide d'explicabilité que l'agent suit, pas un logiciel Installe-moi « Explications de modèles SHAP — valeurs de Shapley, graphiques et importance des features ». Il donne à mon agent le walkthrough SHAP de @davila7 : usage de TreeExplainer et KernelExplainer, tout le vocabulaire des graphiques (summary/beeswarm, dependence, force, waterfall, decision), interprétabilité globale vs locale, et pièges courants. NOTE : une fiche SHAP existe déjà au catalogue (k-dense-ai-scientific-agent-skills-shap) — vérifie-la avant d'installer une seconde. Licence MIT. Dépôt : https://github.com/davila7/claude-code-templates/blob/main/cli-tool/components/skills/scientific/shap/SKILL.md 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 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 « shap ». 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 shap et pointer l'agent vers le modèle entraîné à expliquer ; rien d'autre — c'est un guide d'explicabilité). 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.