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。
无需复杂配置，快速集成到您的工作流
来自活跃的开源社区，持续更新维护
MIT/Apache 许可，商用个人均可使用
可根据需求自定义和扩展功能
从源仓库下载或复制 skill 文件到您的项目中。
将 skill 文件放置到 Claude 的 skills 目录中（通常是 ~/.claude/skills/）。
重启 Claude 或运行重载命令，skill 将自动加载并可供使用。
提示： 首次使用前请仔细阅读 skill 的文档和代码，确保理解其功能和权限要求。
所有 Skills 来自开源社区，保留原作者版权
K-Dense-AI__claude-scientific-skills/scientific-skills/shap/SKILL.md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。
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。