ML-SHAP-Skill 是一个面向机器学习可解释性分析的 Codex Skill，旨在帮助研究人员快速完成 SHAP（SHapley Additive exPlanations）分析流程，大幅降低可解释人工智能（XAI）的使用门槛。传统的 SHAP 分析通常需要研究者自行编写大量代码，包括数据预处理、模型训练、SHAP值计算、可视化绘制以及结果解读等多个环节，不仅开发成本高，而且容易因参数设置不当导致结果不一致。
而借助该 Skill，只需向 Codex 描述自己的数据集、预测目标以及所使用的机器学习模型，即可自动生成完整的 SHAP 分析代码，并完成从模型解释到图形展示的全过程。
该 Skill 支持主流机器学习算法，包括 Random Forest、XGBoost、LightGBM、CatBoost、Extra Trees、Elastic Net、LASSO 等，同时兼容分类与回归任务。它能够自动生成多种经典 SHAP 可解释性结果，例如 Summary Plot（全局特征重要性）、Bar Plot（特征排序）、Dependence Plot（特征依赖关系）、Force Plot（单样本解释）、Waterfall Plot（瀑布图）、Decision Plot（决策路径）等，并能够结合图像内容自动给出符合学术论文写作规范的结果分析，帮助研究者快速完成论文中的实证分析部分。
Github网址：https://github.com/From-zero-tohero/ML-SHAP-Skill
