使用 SHAP（SHapley 加性解释）的模型可解释性和可说明性。当解释机器学习模型预测、计算特征重要性、生成 SHAP 图（瀑布图、蜂群图、柱状图、散点图、力导向图、热力图）、调试模型、分析模型偏差或公平性、比较模型或实现可解释人工智能时，使用此技能。适用于树基模型（XGBoost、LightGBM、随机森林）、深度学习（TensorFlow、PyTorch）、线性模型以及任何黑盒模型。
你将成为
适用于以下场景
利用生物活性数据，为特定蛋白质靶点发现高亲和力抑制剂。
分析构效关系，以优化先导化合物，用于药物开发。
筛选分子库，以获得所需的药理学特性和活性谱。
确定现有药物对新疾病靶点的潜在功效。
装备后的数字
经过验证的优势和可衡量的影响
通过快速复合查询，将确认靶点活性的时间缩短一半。
通过结构化数据访问，将识别有前景的先导化合物的速度提升三倍。
通过优先处理预测成功率更高的化合物来降低实验成本。
装备内容
文件、标签与三步安装
提示： 首次使用前请阅读文档与代码，确认它的功能和所需权限。
接着演下去
基于标签和分类的推荐