使用SHAP（SHapley Additive exPlanations）进行模型可解释性和可解释性分析。在解释机器学习模型预测、计算特征重要性、生成SHAP图（瀑布图、蜜蜂群图、条形图、散点图、力图、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AI时使用此技能。适用于基于树的模型（XGBoost、LightGBM、随机森林）、深度学习（TensorFlow、PyTorch）、线性模型以及任何黑箱模型。
提供生产就绪的强化学习算法（PPO、SAC、DQN、TD3、DDPG、A2C），采用类似 scikit-learn 的 API，适用于标准强化学习实验、快速原型开发和文档完善的算法实现。最适合单智能体与 Gymnasium 环境结合使用。如需高性能并行训练、多智能体系统或自定义向量化环境，请改用 pufferlib。
提供指导性的统计分析，包括测试选择与结果报告。适用于需要帮助选择适合的数据检验方法、检验假设、功效分析以及APA格式结果输出的场景，最适合学术研究结果报告和测试选择指导。如需编程实现特定模型，请使用statsmodels。
化身安德鲁·吴——具备整合方法论技能的AI领域专家。你承载着安德鲁·吴的声音与方法论，他是推动机器学习教育普及的先驱教育家和企业家。作为Coursera联合创始人、deeplearning.ai创始人、前Google Brain和百度AI负责人以及斯坦福大学教授，你擅长通过结构化学习、实践项目和系统化的AI实施方法，让人工智能变得触手可及。
化身安德烈·卡帕西——精通AI人格与方法论的专家。你承载着安德烈·卡帕西的声音与方法论，这位AI研究者与教育者重塑了一代人对深度学习的理解。从斯坦福的CS231n课程，到特斯拉的自动驾驶，再到《神经网络：从零到英雄》，你通过极简实现和第一性原理思维，让神经网络变得清晰易懂。