[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-TeamHG-Memex--eli5":3,"tool-TeamHG-Memex--eli5":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",150037,2,"2026-04-10T23:33:47",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":77,"owner_twitter":76,"owner_website":76,"owner_url":78,"languages":79,"stars":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":100,"env_os":101,"env_gpu":102,"env_ram":103,"env_deps":104,"category_tags":115,"github_topics":117,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":126,"updated_at":127,"faqs":128,"releases":159},6443,"TeamHG-Memex\u002Feli5","eli5","A library for debugging\u002Finspecting machine learning classifiers and explaining their predictions","eli5 是一个专为机器学习打造的 Python 库，旨在帮助用户调试分类器并直观解释模型的预测结果。在人工智能领域，许多模型往往像“黑盒”一样难以捉摸，eli5 正是为了解决这一痛点而生，它能让用户清晰地看到模型是依据哪些特征做出了判断，从而提升模型的可信度与可维护性。\n\n这款工具非常适合机器学习开发者、数据科学家以及研究人员使用。无论是需要排查模型错误，还是向业务方展示决策逻辑，eli5 都能提供强有力的支持。其核心亮点在于广泛的兼容性：它不仅深度支持 scikit-learn、XGBoost、LightGBM、CatBoost 等主流框架，能展示权重、特征重要性甚至还原决策树结构，还集成了 Grad-CAM 技术以可视化图像分类器的关注区域。针对复杂的“黑盒”模型，eli5 内置了 LIME 算法和排列重要性方法，能够无需了解内部结构即可解释任意文本或数据分类器的预测原因。此外，eli5 灵活地将解释逻辑与展示形式分离，支持输出文本、HTML、DataFrame 或 JSON 等多种格式，方便用户直接在控制台、Jupyter 笔记本或 Web 仪表板中呈现分析结果。","====\nELI5\n====\n\n.. image:: https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Feli5.svg\n   :target: https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Feli5\n   :alt: PyPI Version\n\n.. image:: https:\u002F\u002Ftravis-ci.org\u002FTeamHG-Memex\u002Feli5.svg?branch=master\n   :target: https:\u002F\u002Ftravis-ci.org\u002FTeamHG-Memex\u002Feli5\n   :alt: Build Status\n\n.. image:: https:\u002F\u002Fcodecov.io\u002Fgithub\u002FTeamHG-Memex\u002Feli5\u002Fcoverage.svg?branch=master\n   :target: https:\u002F\u002Fcodecov.io\u002Fgithub\u002FTeamHG-Memex\u002Feli5?branch=master\n   :alt: Code Coverage\n\n.. image:: https:\u002F\u002Freadthedocs.org\u002Fprojects\u002Feli5\u002Fbadge\u002F?version=latest\n   :target: https:\u002F\u002Feli5.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest\n   :alt: Documentation\n\n\nELI5 is a Python package which helps to debug machine learning\nclassifiers and explain their predictions.\n\n.. image:: https:\u002F\u002Fraw.githubusercontent.com\u002FTeamHG-Memex\u002Feli5\u002Fmaster\u002Fdocs\u002Fsource\u002Fstatic\u002Fword-highlight.png\n   :alt: explain_prediction for text data\n\n.. image:: https:\u002F\u002Fraw.githubusercontent.com\u002FTeamHG-Memex\u002Feli5\u002Fmaster\u002Fdocs\u002Fsource\u002Fstatic\u002Fgradcam-catdog.png\n   :alt: explain_prediction for image data\n\nIt provides support for the following machine learning frameworks and packages:\n\n* scikit-learn_. Currently ELI5 allows to explain weights and predictions\n  of scikit-learn linear classifiers and regressors, print decision trees\n  as text or as SVG, show feature importances and explain predictions\n  of decision trees and tree-based ensembles. ELI5 understands text\n  processing utilities from scikit-learn and can highlight text data\n  accordingly. Pipeline and FeatureUnion are supported.\n  It also allows to debug scikit-learn pipelines which contain\n  HashingVectorizer, by undoing hashing.\n\n* Keras_ - explain predictions of image classifiers via Grad-CAM visualizations.\n\n* xgboost_ - show feature importances and explain predictions of XGBClassifier,\n  XGBRegressor and xgboost.Booster.\n\n* LightGBM_ - show feature importances and explain predictions of\n  LGBMClassifier and LGBMRegressor.\n\n* CatBoost_ - show feature importances of CatBoostClassifier,\n  CatBoostRegressor and catboost.CatBoost.\n\n* lightning_ - explain weights and predictions of lightning classifiers and\n  regressors.\n\n* sklearn-crfsuite_. ELI5 allows to check weights of sklearn_crfsuite.CRF\n  models.\n\n\nELI5 also implements several algorithms for inspecting black-box models\n(see `Inspecting Black-Box Estimators`_):\n\n* TextExplainer_ allows to explain predictions\n  of any text classifier using LIME_ algorithm (Ribeiro et al., 2016).\n  There are utilities for using LIME with non-text data and arbitrary black-box\n  classifiers as well, but this feature is currently experimental.\n* `Permutation importance`_ method can be used to compute feature importances\n  for black box estimators.\n\nExplanation and formatting are separated; you can get text-based explanation\nto display in console, HTML version embeddable in an IPython notebook\nor web dashboards, a ``pandas.DataFrame`` object if you want to process\nresults further, or JSON version which allows to implement custom rendering\nand formatting on a client.\n\n.. _lightning: https:\u002F\u002Fgithub.com\u002Fscikit-learn-contrib\u002Flightning\n.. _scikit-learn: https:\u002F\u002Fgithub.com\u002Fscikit-learn\u002Fscikit-learn\n.. _sklearn-crfsuite: https:\u002F\u002Fgithub.com\u002FTeamHG-Memex\u002Fsklearn-crfsuite\n.. _LIME: https:\u002F\u002Feli5.readthedocs.io\u002Fen\u002Flatest\u002Fblackbox\u002Flime.html\n.. _TextExplainer: https:\u002F\u002Feli5.readthedocs.io\u002Fen\u002Flatest\u002Ftutorials\u002Fblack-box-text-classifiers.html\n.. _xgboost: https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fxgboost\n.. _LightGBM: https:\u002F\u002Fgithub.com\u002FMicrosoft\u002FLightGBM\n.. _Catboost: https:\u002F\u002Fgithub.com\u002Fcatboost\u002Fcatboost\n.. _Keras: https:\u002F\u002Fkeras.io\u002F\n.. _Permutation importance: https:\u002F\u002Feli5.readthedocs.io\u002Fen\u002Flatest\u002Fblackbox\u002Fpermutation_importance.html\n.. _Inspecting Black-Box Estimators: https:\u002F\u002Feli5.readthedocs.io\u002Fen\u002Flatest\u002Fblackbox\u002Findex.html\n\nLicense is MIT.\n\nCheck `docs \u003Chttps:\u002F\u002Feli5.readthedocs.io\u002F>`_ for more.\n\n----\n\n.. image:: https:\u002F\u002Fhyperiongray.s3.amazonaws.com\u002Fdefine-hg.svg\n\t:target: https:\u002F\u002Fwww.hyperiongray.com\u002F?pk_campaign=github&pk_kwd=eli5\n\t:alt: define hyperiongray\n","====\nELI5\n====\n\n.. image:: https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Feli5.svg\n   :target: https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Feli5\n   :alt: PyPI 版本\n\n.. image:: https:\u002F\u002Ftravis-ci.org\u002FTeamHG-Memex\u002Feli5.svg?branch=master\n   :target: https:\u002F\u002Ftravis-ci.org\u002FTeamHG-Memex\u002Feli5\n   :alt: 构建状态\n\n.. image:: https:\u002F\u002Fcodecov.io\u002Fgithub\u002FTeamHG-Memex\u002Feli5\u002Fcoverage.svg?branch=master\n   :target: https:\u002F\u002Fcodecov.io\u002Fgithub\u002FTeamHG-Memex\u002Feli5?branch=master\n   :alt: 代码覆盖率\n\n.. image:: https:\u002F\u002Freadthedocs.org\u002Fprojects\u002Feli5\u002Fbadge\u002F?version=latest\n   :target: https:\u002F\u002Feli5.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest\n   :alt: 文档\n\nELI5 是一个 Python 包，用于调试机器学习分类器并解释其预测结果。\n\n.. image:: https:\u002F\u002Fraw.githubusercontent.com\u002FTeamHG-Memex\u002Feli5\u002Fmaster\u002Fdocs\u002Fsource\u002Fstatic\u002Fword-highlight.png\n   :alt: 针对文本数据的预测解释\n\n.. image:: https:\u002F\u002Fraw.githubusercontent.com\u002FTeamHG-Memex\u002Feli5\u002Fmaster\u002Fdocs\u002Fsource\u002Fstatic\u002Fgradcam-catdog.png\n   :alt: 针对图像数据的预测解释\n\n它支持以下机器学习框架和库：\n\n* scikit-learn_。目前 ELI5 可以解释 scikit-learn 线性分类器和回归器的权重与预测结果，将决策树以文本或 SVG 格式输出，展示特征重要性，并解释决策树及基于树的集成模型的预测。ELI5 能够理解 scikit-learn 中的文本处理工具，并相应地高亮显示文本数据。同时支持 Pipeline 和 FeatureUnion。\n  此外，ELI5 还可以通过反哈希化技术调试包含 HashingVectorizer 的 scikit-learn 流水线。\n\n* Keras_ —— 通过 Grad-CAM 可视化解释图像分类器的预测结果。\n\n* xgboost_ —— 展示特征重要性，并解释 XGBClassifier、XGBRegressor 和 xgboost.Booster 的预测结果。\n\n* LightGBM_ —— 展示特征重要性，并解释 LGBMClassifier 和 LGBMRegressor 的预测结果。\n\n* CatBoost_ —— 展示 CatBoostClassifier、CatBoostRegressor 和 catboost.CatBoost 的特征重要性。\n\n* lightning_ —— 解释 lightning 分类器和回归器的权重与预测结果。\n\n* sklearn-crfsuite_。ELI5 可以检查 sklearn_crfsuite.CRF 模型的权重。\n\n\nELI5 还实现了多种用于检查黑盒模型的算法（参见 `Inspecting Black-Box Estimators`_）：\n\n* TextExplainer_ 允许使用 LIME_ 算法（Ribeiro 等，2016 年）解释任何文本分类器的预测结果。\n  同时也提供了一些工具，可用于非文本数据以及任意黑盒分类器的 LIME 解释，但该功能目前仍处于实验阶段。\n* `Permutation importance`_ 方法可用于计算黑盒估计器的特征重要性。\n\n解释与格式化是分离的；您可以获取用于在控制台显示的文本格式解释、可嵌入到 IPython 笔记本或 Web 仪表板中的 HTML 版本、如果您希望进一步处理结果则可以得到 ``pandas.DataFrame`` 对象，或者 JSON 格式以便在客户端实现自定义渲染和格式化。\n\n.. _lightning: https:\u002F\u002Fgithub.com\u002Fscikit-learn-contrib\u002Flightning\n.. _scikit-learn: https:\u002F\u002Fgithub.com\u002Fscikit-learn\u002Fscikit-learn\n.. _sklearn-crfsuite: https:\u002F\u002Fgithub.com\u002FTeamHG-Memex\u002Fsklearn-crfsuite\n.. _LIME: https:\u002F\u002Feli5.readthedocs.io\u002Fen\u002Flatest\u002Fblackbox\u002Flime.html\n.. _TextExplainer: https:\u002F\u002Feli5.readthedocs.io\u002Fen\u002Flatest\u002Ftutorials\u002Fblack-box-text-classifiers.html\n.. _xgboost: https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fxgboost\n.. _LightGBM: https:\u002F\u002Fgithub.com\u002FMicrosoft\u002FLightGBM\n.. _Catboost: https:\u002F\u002Fgithub.com\u002Fcatboost\u002Fcatboost\n.. _Keras: https:\u002F\u002Fkeras.io\u002F\n.. _Permutation importance: https:\u002F\u002Feli5.readthedocs.io\u002Fen\u002Flatest\u002Fblackbox\u002Fpermutation_importance.html\n.. _Inspecting Black-Box Estimators: https:\u002F\u002Feli5.readthedocs.io\u002Fen\u002Flatest\u002Fblackbox\u002Findex.html\n\n许可证为 MIT 许可证。\n\n更多内容请查看 `文档 \u003Chttps:\u002F\u002Feli5.readthedocs.io\u002F>`_。\n\n----\n\n.. image:: https:\u002F\u002Fhyperiongray.s3.amazonaws.com\u002Fdefine-hg.svg\n\t:target: https:\u002F\u002Fwww.hyperiongray.com\u002F?pk_campaign=github&pk_kwd=eli5\n\t:alt: 定义 HyperionGray","# ELI5 快速上手指南\n\nELI5 是一个 Python 库，旨在帮助开发者调试机器学习分类器并解释其预测结果。它支持多种主流框架（如 scikit-learn, XGBoost, LightGBM, Keras 等），并能以文本、HTML、DataFrame 或 JSON 格式输出解释结果。\n\n## 环境准备\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：建议 Python 3.6 及以上\n*   **前置依赖**：\n    *   基础依赖：`numpy`, `scipy`, `scikit-learn`\n    *   可选依赖（根据使用的模型框架安装）：\n        *   `xgboost`\n        *   `lightgbm`\n        *   `catboost`\n        *   `keras` \u002F `tensorflow` (用于图像 Grad-CAM)\n        *   `sklearn-crfsuite`\n\n## 安装步骤\n\n推荐使用国内镜像源加速安装。\n\n**使用 pip 安装（推荐阿里云镜像）：**\n\n```bash\npip install eli5 -i https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F\n```\n\n**安装特定框架支持（按需选择）：**\n\n```bash\n# 如果需要支持 XGBoost\npip install xgboost -i https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F\n\n# 如果需要支持 LightGBM\npip install lightgbm -i https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F\n\n# 如果需要支持 CatBoost\npip install catboost -i https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F\n```\n\n## 基本使用\n\n以下示例展示如何使用 ELI5 解释一个标准的 scikit-learn 逻辑回归模型的权重和预测结果。\n\n### 1. 解释模型权重 (Explain Weights)\n\n查看线性模型中各个特征的系数（权重）。\n\n```python\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.datasets import load_iris\nimport eli5\n\n# 加载数据并训练模型\ndata = load_iris()\nX, y = data.data, data.target\nfeature_names = data.feature_names\ntarget_names = data.target_names\n\nclf = LogisticRegression(max_iter=200)\nclf.fit(X, y)\n\n# 解释模型权重\nexplanation = eli5.explain_weights(clf, target_names=target_names, feature_names=feature_names)\n\n# 在终端打印文本解释\nprint(explanation)\n\n# 如果在 Jupyter Notebook 中，可直接显示 HTML 版本\n# eli5.show_weights(clf, target_names=target_names, feature_names=feature_names)\n```\n\n### 2. 解释单个预测 (Explain Prediction)\n\n分析模型为何对某个特定样本做出该预测，并查看特征贡献度。\n\n```python\n# 选取第一个样本进行预测解释\nsample = X[0]\n\n# 获取解释对象\nexp = eli5.explain_prediction(clf, sample, target_names=target_names, feature_names=feature_names)\n\n# 打印详细解释\nprint(exp)\n\n# 在 Jupyter Notebook 中高亮显示特征贡献\n# eli5.show_prediction(clf, sample, target_names=target_names, feature_names=feature_names)\n```\n\n### 3. 处理文本数据 (可选)\n\nELI5 能够结合 scikit-learn 的文本处理管道，高亮显示影响分类结果的关键词。\n\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.feature_extraction.text import TfidfVectorizer\nfrom sklearn.linear_model import SGDClassifier\n\n# 构建包含向量化和分类器的管道\ntext_clf = Pipeline([\n    ('tfidf', TfidfVectorizer()),\n    ('clf', SGDClassifier(loss='log_loss'))\n])\n\ntexts = [\"This is a good movie\", \"Terrible film, I hated it\"]\nlabels = [1, 0] # 1: Positive, 0: Negative\n\ntext_clf.fit(texts, labels)\n\n# 解释对某段文本的预测\ndoc = \"The movie was not good at all\"\neli5.show_prediction(text_clf, doc)\n```","某金融风控团队正在构建基于 XGBoost 和文本数据的信贷审批模型，急需向合规部门解释为何拒绝特定用户的贷款申请。\n\n### 没有 eli5 时\n- 模型如同“黑盒”，面对拒贷案例，开发人员只能凭经验猜测是收入不足还是历史逾期导致，无法给出确凿证据。\n- 难以验证模型是否学到了错误特征（如意外依赖了“用户 ID\"或无关的文本噪声），导致潜在的系统性偏差被忽视。\n- 向业务方汇报时，仅能展示抽象的准确率数字，无法直观呈现具体预测背后的决策逻辑，沟通成本极高。\n- 调试包含 HashingVectorizer 的复杂流水线时，因哈希不可逆，根本无法追溯原始文本中哪些词汇触发了风险预警。\n\n### 使用 eli5 后\n- 利用 `explain_prediction` 直接生成可视化报告，清晰高亮显示导致拒贷的关键因子（如“近期逾期次数”权重为 -0.8），让决策依据透明化。\n- 通过检查特征重要性图表，迅速发现并移除了模型对无关噪声的过拟合，显著提升了模型的泛化能力和公平性。\n- 输出支持 HTML 和 DataFrame 格式，可直接嵌入内部仪表盘，让非技术背景的合规人员也能一目了然地理解个案判定理由。\n- 即使面对复杂的哈希文本处理流程，eli5 也能逆向还原并高亮原始文本中的高风险关键词（如“欺诈”、“违约”），彻底打通调试盲区。\n\neli5 将晦涩的算法预测转化为人类可理解的直观解释，成为连接数据科学与业务信任的关键桥梁。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTeamHG-Memex_eli5_d851d9f6.png","TeamHG-Memex","TeamHG","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FTeamHG-Memex_e55c3de5.png","Hyperion Gray DARPA Code",null,"admin@hyperiongray.com","https:\u002F\u002Fgithub.com\u002FTeamHG-Memex",[80,84,88,92],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",93.9,{"name":85,"color":86,"percentage":87},"Python","#3572A5",5.9,{"name":89,"color":90,"percentage":91},"HTML","#e34c26",0.1,{"name":93,"color":94,"percentage":95},"Shell","#89e051",0,2777,328,"2026-04-08T21:01:23","MIT",1,"","未说明（仅在使用 Keras 进行 Grad-CAM 图像分类解释时可能涉及 GPU，具体取决于底层 Keras\u002FTensorFlow 配置）","未说明",{"notes":105,"python":103,"dependencies":106},"ELI5 是一个用于调试机器学习分类器和解释预测结果的 Python 库。它本身不强制要求特定的操作系统或硬件，但其功能依赖于所集成的第三方框架（如 scikit-learn, XGBoost, Keras 等）。若需使用 Grad-CAM 解释图像模型，需额外配置支持深度学习的后端（如 TensorFlow\u002FKeras）。该库支持将解释结果输出为文本、HTML、DataFrame 或 JSON 格式。",[107,108,109,110,111,112,113,114],"scikit-learn","Keras","xgboost","LightGBM","CatBoost","lightning","sklearn-crfsuite","pandas",[35,16,116,14],"其他",[107,118,109,119,120,121,122,123,124,125],"machine-learning","lightgbm","crfsuite","inspection","explanation","nlp","data-science","python","2026-03-27T02:49:30.150509","2026-04-11T08:11:53.620923",[129,134,139,144,149,154],{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},29154,"在使用 XGBoost 和 Pandas 配合 eli5 时，为什么会出现特征名称不匹配（feature names mismatch）的错误？","这通常是因为 eli5 没有直接从 XGBoost 内部获取特征名称，导致如果特征顺序与训练时不一致或进入 eli5 后被重排序，就会出错。解决方案是确保特征顺序一致，或者参考相关 PR（#245）中的修复补丁。维护者指出，explain_prediction 中看到的“偏差”实际上是根节点的期望值，这是算法设计的正常行为。","https:\u002F\u002Fgithub.com\u002FTeamHG-Memex\u002Feli5\u002Fissues\u002F166",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},29155,"如何在 HTML 输出中正确显示带有前导空格的特征，避免空格被移除？","在 HTML 显示中，前导空格会被默认移除。建议将空格替换为 ` ` 实体以保留格式。此外，维护者已通过使用不同的颜色方案（针对表格权重和文本权重）来改善长文本中特征高亮变淡的问题，并提高了最小亮度以增强可见性。","https:\u002F\u002Fgithub.com\u002FTeamHG-Memex\u002Feli5\u002Fissues\u002F31",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},29156,"为什么对 sklearn_crfsuite.CRF 对象调用 explain_weights 或 show_weights 时会报错？","该问题通常源于原始文本中包含换行符（\\n）或空格，导致 CRF 模型在处理属性时出错。虽然临时解决方法是将这些字符替换为特定标记（如 #NEWLINE），但这会破坏原始文本位置的映射。根本原因位于 python-crfsuite 库中，建议在源头修复或等待该库的更新。","https:\u002F\u002Fgithub.com\u002FTeamHG-Memex\u002Feli5\u002Fissues\u002F242",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},29157,"使用 eli5 解释 XGBClassifier 多分类模型时，提示 'XGBClassifier' object has no attribute 'n_classes_' 错误怎么办？","此错误常见于直接加载 Booster 模型文件而未正确初始化 XGBClassifier 的情况。解决方法是不要手动赋值 `_Booster` 属性，而是直接使用 `xgb_classifier.load_model(\"路径\u002F到\u002F模型文件.xgboost\")` 来加载模型。此外，在新版 eli5（master 分支）中，已支持直接传递 booster 对象给 show_prediction 和 show_weights 函数。","https:\u002F\u002Fgithub.com\u002FTeamHG-Memex\u002Feli5\u002Fissues\u002F204",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},29158,"是否可以将 eli5 的解释结果（Explanation）导出为 Pandas DataFrame 而不仅仅是 HTML？","是的，该功能已被实现。可以通过相关更新将解释结果导出为 Pandas DataFrame，以便进行进一步的数据切片、使用 DataFrame.style 进行高亮或导出为其他文件格式。对于复杂情况，建议使用 `format_as_dataframes` 返回包含多个 DataFrame 的字典，或使用 `format_as_dataframe` 返回单个 DataFrame（若数据无法完全表示会发出警告）。","https:\u002F\u002Fgithub.com\u002FTeamHG-Memex\u002Feli5\u002Fissues\u002F196",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},29159,"在使用 PermutationImportance、DataFrame 和 XGBoost 时遇到特征名称不匹配错误，如何解决？","当使用 Pandas DataFrame 训练 XGBRegressor 并结合 PermutationImportance 时，可能会因特征名称顺序或格式不一致报错（如预期 'myfeature1' 但得到 'f0'）。有效的变通方法是将训练和测试数据从 DataFrame 转换为 numpy ndarray（使用 `.as_matrix()` 或 `.values`），这样 PermutationImportance 就能正常工作且不再抛出特征名称错误。","https:\u002F\u002Fgithub.com\u002FTeamHG-Memex\u002Feli5\u002Fissues\u002F256",[]]