Explain ML predictions with SHAP: explainer selection, additivity checks, honest reporting
Manuel SHAP rigoureux pour modèles ajustés — définir la cible d'explication, choisir explainer + masker via table de décision, valider l'additivité, tracer la question (pas juste le plot disponible), rapporter les limites
- Quoi
- Manuel SHAP rigoureux pour modèles ajustés — définir la cible d'explication, choisir explainer + masker via table de décision, valider l'additivité, tracer la question (pas juste le plot disponible), rapporter les limites
- Coût
- Gratuit
- Prérequis
- Python 3.12+ avec uv ; un modèle ajusté à expliquer — le skill est une méthodologie guidée, pas un logiciel à installer
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill SHAP de @k-dense-ai pour expliquer des modèles ML ajustés, aligné avec SHAP 0.52.0 et l'API moderne `shap.Explanation` : un workflow rigoureux en 7 étapes. Étape 1, définir la cible d'explication (version du modèle, callable exact, nom/index et unités de la sortie, lignes d'évaluation, population de background). Étape 2, choisir explainer et masker via une table de décision (TreeExplainer, LinearExplainer, ExactExplainer, PermutationExplainer, PartitionExplainer, Deep/GradientExplainer, KernelExplainer legacy — avec contraintes par famille). Étape 3, calculer une Explanation moderne avec un exemple complet de classification binaire. Étape 4, contrôler la sémantique des sorties tree (les espaces probabilité/log-loss exigent du masking interventionnel). Étape 5, utiliser des callables agnostiques délibérément avec des evals de permutation budgétées. Étape 6, « visualiser la question, pas juste le plot disponible » — un mapping question→plot (beeswarm, waterfall, scatter, heatmap, texte/image). Étape 7, rapporter les limites avec les résultats : baseline, explainer, masker, erreur d'additivité, features corrélées, et une déclaration non-causale claire. Règles d'intégrité fortes partout : jamais utiliser SHAP comme substitut de validation prédictive, jamais faire taire un échec d'additivité, jamais charger des artefacts pickle/joblib non fiables (risque d'exécution de code). Bémols honnêtes : nécessite Python 3.12+ et uv pour SHAP 0.52.0 ; SHAP décrit le comportement du modèle — il n'établit ni causalité ni équité (une petite attribution de feature protégée n'exclut pas la discrimination par proxy) ; le skill demande qu'un usage substantiel soit cité dans les manuscrits (arXiv:2609.00065). Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : Python 3.12+ avec uv ; un modèle ajusté à expliquer — le skill est une méthodologie guidée, pas un logiciel à installer Installe-moi « Expliquer les prédictions ML avec SHAP : choix d'explainer, contrôles d'additivité, rapport honnête ». Il donne à mon agent le manuel SHAP de @k-dense-ai : définir précisément la cible d'explication, choisir explainer et masker via la table de décision, calculer des objets shap.Explanation modernes, contrôler la sémantique des sorties tree, valider l'additivité (jamais faire taire les échecs), jamais charger d'artefacts pickle/joblib non fiables, visualiser la question, et rapporter les limites honnêtement — avec un exemple déterministe fourni (tabular_report.py). Licence MIT. Dépôt : https://github.com/k-dense-ai/scientific-agent-skills/blob/main/skills/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, les identifiants uniquement via le coffre sécurisé, les hôtes autorisés déclarés dans le SKILL.md. 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. configurer l'env Python 3.12 et installer shap[plots]==0.52.0 via uv ; pointer l'agent vers mon modèle ajusté et les lignes à expliquer ; citer le papier Scientific Agent Skills (arXiv:2609.00065) s'il a substantiellement contribué à un manuscrit). 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.
Questions
Comment installer une création ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe la création 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 une création avant de l’installer.