mcpField
M
ml-model-explainer

ml-model-explainer

github.com/dkyazzentwatwa数据与数据库12458 次安装29 周前更新
代码仓库

关于 ml-model-explainer

ml-model-explainer 是用于解释机器学习预测的 Python 工具，适合需要分析局部和全局结果的实践者。它支持多类模型，并提供特征排名、决策路径和可视化。

主要功能

  1. 01解释单条预测的 SHAP 值
  2. 02全局特征重要性排名
  3. 03追踪预测决策路径
  4. 04瀑布图、力图和摘要图
  5. 05支持树模型、线性模型和神经网络
  6. 06批量解释多条预测

适用场景

  1. 01检查单条预测的成因
  2. 02对模型特征进行排名
  3. 03解释一批预测结果
  4. 04将解释导出为瀑布图

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/dkyazzentwatwa/chatgpt-skills --skill ml-model-explainer

安装后在 Claude Code 中输入/ml-model-explainer确认已加载。

附带文件scripts/ml_model_explainer.pyscripts/requirements.txt

详细介绍

机器学习模型解释器

使用 SHAP 和特征重要性解释机器学习模型的预测。

功能

  • SHAP 值：解释单个预测
  • 特征重要性：全局特征排名
  • 决策路径：追踪预测逻辑
  • 可视化：瀑布图、力图、汇总图
  • 多种模型：支持基于树的模型、线性模型和神经网络
  • 批量解释：解释多个预测

快速入门

from ml_model_explainer import MLModelExplainer

explainer = MLModelExplainer()
explainer.load_model(model, X_train)

# Explain single prediction
explanation = explainer.explain(X_test[0])
explainer.plot_waterfall('explanation.png')

# Feature importance
importance = explainer.feature_importance()

CLI 用法

python ml_model_explainer.py --model model.pkl --data test.csv --output explanations/

依赖项

  • shap>=0.42.0
  • scikit-learn>=1.3.0
  • pandas>=2.0.0
  • numpy>=1.24.0
  • matplotlib>=3.7.0

评论

支持 Markdown