数据与复现生物信息与基因组学FreedomIntelligence/OpenClaw-Medical-Skills数据与复现

bio-machine-learning-prediction-explanation

维护者 FreedomIntelligence · 最近更新 2026年4月1日

Explain omics ML predictions with SHAP and feature importance.

OpenClawNanoClaw分析处理复现实验bio-machine-learning-prediction-explanation🧠 bioos extended suitebioos extended bioinformatics suiteexplain

原始来源

FreedomIntelligence/OpenClaw-Medical-Skills

https://github.com/FreedomIntelligence/OpenClaw-Medical-Skills/tree/main/skills/bio-machine-learning-prediction-explanation

维护者: FreedomIntelligence
许可: MIT
最近更新: 2026年4月1日

技能摘要

来自 SKILL.md 的关键信息

2 min

核心说明

shap_values = explainer(X_test)。
print(f'SHAP values shape：{shap_values.values.shape}')。

原始文档

SKILL.md 摘录

SHAP TreeExplainer (v0.47+ API)

import shap
from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

explainer = shap.TreeExplainer(model)

## Summary Plot (Global Feature Importance)

```python
import shap
import matplotlib.pyplot as plt

## Beeswarm plot: shows impact direction and magnitude

shap.plots.beeswarm(shap_values, max_display=20, show=False)
plt.tight_layout()
plt.savefig('shap_summary.png', dpi=150, bbox_inches='tight')
plt.close()

适用场景

Use bio-machine-learning-prediction-explanation ，用于 genomics 、 bioinformatics workflows。
Apply bio-machine-learning-prediction-explanation to sequencing，variant，或 omics analysis tasks。