SHAP（SHapley Additive exPlanations）を使用したモデルの解釈可能性と説明可能性。機械学習モデルの予測の説明、特徴量の重要度の計算、SHAPプロット（ウォーターフォール、ビースウォーム、バー、散布図、フォース、ヒートマップ）の生成、モデルのデバッグ、モデルのバイアスや公平性の分析、モデルの比較、または説明可能なAIの実装において、このスキルを使用します。木ベースのモデル（XGBoost、LightGBM、ランダムフォレスト）、ディープラーニング（TensorFlow、PyTorch）、線形モデル、および任意のブラックボックスモデルと連携します。
複雑な設定不要で、ワークフローに素早く統合
アクティブなオープンソースコミュニティによる継続的な更新
MIT/Apacheライセンスで商用・個人利用可
ニーズに応じてカスタマイズ・拡張可能
ソースリポジトリからスキルファイルをダウンロードまたはコピー
スキルファイルをClaudeのスキルディレクトリに配置（通常は ~/.claude/skills/）。
Claudeを再起動するか、リロードコマンドを実行してスキルを読み込みます
ヒント： 初回使用前にスキルのドキュメントとコードを注意深く読み、機能と権限要件を理解してください
すべてのスキルはオープンソースコミュニティから提供され、元の作者の著作権を保持しています
K-Dense-AI__claude-scientific-skills/scientific-skills/shap/SKILL.md実証済みのメリットと測定可能な影響
高速な複合クエリにより、標的活性の確認時間を半減します。
構造化データアクセスにより、有望なリード化合物の特定速度を3倍に向上させます。
予測成功率の高い化合物を優先的に選択し、実験コストを削減します。
これらのシナリオに最適
生物活性データを用いて、特定のタンパク質ターゲットに対する高親和性インヒビターを発見します。
創薬開発において、リード化合物を最適化するために、構造活性相関を分析します。
目的の薬理学的特性と活性プロファイルを持つ分子ライブラリをスクリーニングします。
新規疾患標的に対して有効性が期待される既存薬を特定する。