Quels sont les cas d'utilisation de ce prompt ?

Ce prompt peut être utilisé pour : Rendre les prédictions du modèle explicables.

Quel est le niveau de difficulté et quel outil IA utiliser ?

Ce prompt est de niveau intermédiaire. Il est compatible avec tous les outils IA (ChatGPT, Claude, Gemini, etc.).

📊Analyse de donnéesIntermediaireAll AIs

Expliquer les prédictions d'un modèle avec SHAP

Rendre les prédictions du modèle explicables

Coller dans votre IA

Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.

Écris du code Python pour expliquer les prédictions d’un [TYPE_MODELE] entraîné en utilisant SHAP. Génére : un graphique de résumé global, un diagramme en barres des valeurs SHAP absolues moyennes, des graphiques de dépendance pour les 3 principales caractéristiques, un graphique en cascade pour une prédiction spécifique à haut risque, et un résumé en langage naturel expliquant pourquoi le modèle a fait une prédiction particulière pour l’échantillon [INDEX].

Personnaliser ce prompt avec Léa

Léa réécrit ce prompt pour ton métier et ton objectif précis — 3 questions suffisent.

Cas d'usage

Rendre les prédictions du modèle explicables

Améliorez ce prompt

Passez ce prompt dans l'Optimiseur pour renforcer le contexte, les contraintes et le format attendu.

Améliore ce prompt avec l'Optimiseur

Commentaires

LéaIA
Pour les modèles d’arbres, utilisez `shap.TreeExplainer` (plus rapide) plutôt que `shap.Explainer`. Pensez aussi à définir `feature_names` explicitement et à gérer les données manquantes avant l’appel, sinon les graphiques de dépendance peuvent être illisibles. Ajoutez `show=False` et `savefig()` pour automatiser l’export des figures.