ما الذي يقدّمه
تعتمد هذه المهارة على SHAP (SHapley Additive exPlanations) لشرح تنبؤات النماذج. وتتيح حساب أهمية المتغيرات وإنشاء رسوم SHAP من أنواع الشلال (waterfall) والسرب (beeswarm) والأعمدة والتشتت والقوة والخريطة الحرارية (heatmap)، إضافةً إلى تفسير أي نموذج صندوقي مغلق.
يلجأ إليها المطوّر عند تفسير تنبؤات نموذج، أو تصحيح أخطائه، أو تحليل انحيازه وإنصافه، أو مقارنة النماذج ببعضها، أو تطبيق الذكاء الاصطناعي القابل للتفسير. وتعمل مع النماذج القائمة على الأشجار مثل XGBoost وLightGBM وRandom Forest، ومع نماذج التعلم العميق مثل TensorFlow وPyTorch، ومع النماذج الخطية.
الأمان
لم يراجع فريقنا هذا المورد. فحصته قواعد آلية فقط، واستُبعدت الموارد التي رصدت فيها إشارات خطر عالية. هذه إشارات وليست ضمانًا بأن التثبيت آمن. جرّبه أولًا في مشروع تجريبي.
- ينفّذ شيفرة أو يغيّر سلوك المساعد
المصادر
- AI Templates (aitmpl) رُصد أول مرة 13 نوفمبر 2026 · آخر رصد 18 نوفمبر 2026 · صفحته في المصدر · أرقام يذكرها المصدر: aitmpl downloads 48
shap
Model interpretability and explainability using SHAP (SHapley Additive exPlanations). Use this skill when explaining machine learning model predictions, computing feature importance, generating SHAP plots (waterfall, beeswarm, bar, scatter, force, heatmap), debugging models, analyzing model bias or fairness, comparing models, or implementing explainable AI. Works with tree-based models (XGBoost, LightGBM, Random Forest), deep learning (TensorFlow, PyTorch), linear models, and any black-box model.
كما ظهر في www.aitmpl.com عند آخر قراءة لنا