该技能聚焦 scikit-learn 模型的可解释性与可解释诊断，核心问题是模型为何做出某个预测，而不仅是预测结果本身。
用途：验证模型是否依赖物理上有意义的特征（如药物发现场景）；发现模型学到的偏差或捷径特征；向非专家解释单条预测；对复杂系统变量影响做全局排序；支持科学审计与合规。
主要能力：区分模型特定（如随机森林 feature_importances_）与模型无关（SHAP、置换重要性）方法；区分全局解释与局部解释；区分特征重要性与特征贡献方向。内置工具示例： from sklearn.inspection import permutation_importance, PartialDependenceDisplay result = permutation_importance(model, X_test, y_test, n_repeats=10) PartialDependenceDisplay.from_estimator(model, X, features=['temp', 'pressure'])
使用要点：优先在测试集上用置换重要性，而非默认树重要性（后者偏向高基数特征如唯一 ID）；用 PartialDependenceDisplay 观察特征与目标的函数关系；线性模型在比较系数前需先缩放特征；注意特征相关性会使重要性被分摊；SHAP 可配合任意 scikit-learn 模型，用 shap.Explainer(model.predict, X_test) 生成结果，再用 shap.plots.bar 看全局、shap.plots.waterfall 看单样本。
验证流程：先排查单个特征重要性异常偏高（可能是时间戳或 ID 造成的数据泄漏）；用不同随机种子多次运行置换重要性做稳定性分析，若头部特征变化大则模型不可靠；用二维 PDP 检查特征交互（如压力仅在温度高于某阈值时才有影响）。
限制与注意：非正则化模型的系数方差大，不宜直接据此下结论；重要性与预测性不等于因果性；多重共线性会导致解释失真。具体安装、版本或额外命令资料未提供。