[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-giuseppec--iml":3,"tool-giuseppec--iml":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",153609,2,"2026-04-13T11:34:59",[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":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":75,"owner_url":76,"languages":77,"stars":94,"forks":95,"last_commit_at":96,"license":97,"difficulty_score":98,"env_os":99,"env_gpu":100,"env_ram":100,"env_deps":101,"category_tags":108,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":140},7107,"giuseppec\u002Fiml","iml","iml: interpretable machine learning R package","iml 是一款专为 R 语言设计的开源工具包，旨在揭开机器学习模型“黑箱”的神秘面纱。在人工智能应用中，许多高精度模型往往难以解释其预测逻辑，这给信任度和合规性带来了挑战。iml 正是为了解决这一痛点而生，它提供了一套通用的方法，帮助用户直观地理解模型行为并解释具体的预测结果。\n\n无论是数据科学家、算法研究人员，还是需要向业务方汇报模型逻辑的开发者，都能从 iml 中受益。它的核心亮点在于“模型无关”的特性，这意味着无论底层使用的是随机森林、神经网络还是支持向量机，iml 都能无缝适配进行分析。工具内置了丰富的功能模块，包括特征重要性评估、部分依赖图（PDP）、个体条件期望图（ICE）、累积局部效应（ALE）以及基于 Shapley 值的单样本预测解释等。通过这些可视化手段，用户可以轻松探究特定特征如何影响预测结果，或在局部范围内验证模型的决策依据。作为经典著作《可解释机器学习》的配套实现，iml 以简洁的代码接口和严谨的统计方法，让复杂的模型解释工作变得高效且透明，是构建可信 AI 系统的得力助手。","\n\u003C!-- badges: start -->\n\n[![r-cmd-check](https:\u002F\u002Fgithub.com\u002Fgiuseppec\u002Fiml\u002Factions\u002Fworkflows\u002Fr-cmd-check.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fgiuseppec\u002Fiml\u002Factions)\n[![CRAN Status\nBadge](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgiuseppec_iml_readme_0e48978a1be5.png)](https:\u002F\u002FCRAN.R-project.org\u002Fpackage=iml)\n[![CRAN\nDownloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgiuseppec_iml_readme_ddc782c7d036.png)](https:\u002F\u002FCRAN.R-project.org\u002Fpackage=iml)\n[![codecov.io](https:\u002F\u002Fcodecov.io\u002Fgithub\u002FchristophM\u002Fiml\u002Fcoverage.svg?branch=master)](https:\u002F\u002Fcodecov.io\u002Fgithub\u002FchristophM\u002Fiml?branch=master)\n[![DOI](http:\u002F\u002Fjoss.theoj.org\u002Fpapers\u002F10.21105\u002Fjoss.00786\u002Fstatus.svg)](https:\u002F\u002Fdoi.org\u002F10.21105\u002Fjoss.00786)\n\u003C!-- badges: end -->\n\n# iml\n\n`iml` is an R package that interprets the behavior and explains\npredictions of machine learning models.\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgiuseppec_iml_readme_689a7730f0fb.png\" align=\"right\" height=140\u002F>\nIt implements model-agnostic interpretability methods - meaning they can\nbe used with any machine learning model.\n\n## Features\n\n- Feature importance\n- Partial dependence plots\n- Individual conditional expectation plots (ICE)\n- Accumulated local effects\n- Tree surrogate\n- LocalModel: Local Interpretable Model-agnostic Explanations\n- Shapley value for explaining single predictions\n\nRead more about the methods in the [Interpretable Machine\nLearning](https:\u002F\u002Fchristophm.github.io\u002Finterpretable-ml-book\u002Fagnostic.html)\nbook.\n\n## Tutorial\n\nStart an interactive notebook tutorial by clicking on this badge\n[![Binder](http:\u002F\u002Fmybinder.org\u002Fbadge.svg)](http:\u002F\u002Fbeta.mybinder.org\u002Fv2\u002Fgh\u002FchristophM\u002Fiml\u002Fmaster?filepath=.\u002Fnotebooks\u002Ftutorial-intro.ipynb)\n\n## Installation\n\nThe package can be installed directly from CRAN and the development\nversion from GitHub:\n\n``` r\n# Stable version\ninstall.packages(\"iml\")\n\n# Development version\nremotes::install_github(\"christophM\u002Fiml\")\n```\n\n## News\n\nChanges of the packages can be accessed in the [NEWS\nfile](https:\u002F\u002Fchristophm.github.io\u002Fiml\u002Fnews\u002Findex.html).\n\n## Quickstart\n\nFirst we train a Random Forest to predict the Boston median housing\nvalue. How does `lstat` influence the prediction individually and on\naverage? (Accumulated local effects)\n\n``` r\nlibrary(\"iml\")\nlibrary(\"randomForest\")\ndata(\"Boston\", package = \"MASS\")\nrf = randomForest(medv ~ ., data = Boston, ntree = 50)\nX = Boston[which(names(Boston) != \"medv\")]\nmodel = Predictor$new(rf, data = X, y = Boston$medv)\neffect = FeatureEffects$new(model)\neffect$plot(features = c(\"lstat\", \"age\", \"rm\"))\n```\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgiuseppec_iml_readme_ec5619a210bd.png)\u003C!-- -->\n\n## Contribute\n\nPlease check the [contribution guidelines](CONTRIBUTING.md)\n\n## Citation\n\nIf you use iml in a scientific publication, please cite it as:\n\n    Molnar, Christoph, Giuseppe Casalicchio, and Bernd Bischl. \"iml: An R package for interpretable machine learning.\" Journal of Open Source Software 3.26 (2018): 786.\n\nBibTeX:\n\n``` tex\n@article{molnar2018iml,\n  title={iml: An R package for interpretable machine learning},\n  author={Molnar, Christoph and Casalicchio, Giuseppe and Bischl, Bernd},\n  journal={Journal of Open Source Software},\n  volume={3},\n  number={26},\n  pages={786},\n  year={2018}\n}\n```\n\n## License\n\n© 2018 - 2025 [Christoph Molnar](https:\u002F\u002Fchristophm.github.io\u002F)\n\nThe contents of this repository are distributed under the MIT license.\nSee below for details:\n\n    The MIT License (MIT)\n\n    Permission is hereby granted, free of charge, to any person obtaining a copy\n    of this software and associated documentation files (the \"Software\"), to deal\n    in the Software without restriction, including without limitation the rights\n    to use, copy, modify, merge, publish, distribute, sublicense, and\u002For sell\n    copies of the Software, and to permit persons to whom the Software is\n    furnished to do so, subject to the following conditions:\n\n    The above copyright notice and this permission notice shall be included in all\n    copies or substantial portions of the Software.\n\n    THE SOFTWARE IS PROVIDED \"AS IS\", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR\n    IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,\n    FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE\n    AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER\n    LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,\n    OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE\n    SOFTWARE.\n\n## Funding\n\nThis work is funded by the Bavarian State Ministry of Education, Science\nand the Arts in the framework of the Centre Digitisation.Bavaria (ZD.B)\n","\u003C!-- badges: start -->\n\n[![r-cmd-check](https:\u002F\u002Fgithub.com\u002Fgiuseppec\u002Fiml\u002Factions\u002Fworkflows\u002Fr-cmd-check.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fgiuseppec\u002Fiml\u002Factions)\n[![CRAN 状态徽章](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgiuseppec_iml_readme_0e48978a1be5.png)](https:\u002F\u002FCRAN.R-project.org\u002Fpackage=iml)\n[![CRAN 下载量](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgiuseppec_iml_readme_ddc782c7d036.png)](https:\u002F\u002FCRAN.R-project.org\u002Fpackage=iml)\n[![codecov.io](https:\u002F\u002Fcodecov.io\u002Fgithub\u002FchristophM\u002Fiml\u002Fcoverage.svg?branch=master)](https:\u002F\u002Fcodecov.io\u002Fgithub\u002FchristophM\u002Fiml?branch=master)\n[![DOI](http:\u002F\u002Fjoss.theoj.org\u002Fpapers\u002F10.21105\u002Fjoss.00786\u002Fstatus.svg)](https:\u002F\u002Fdoi.org\u002F10.21105\u002Fjoss.00786)\n\u003C!-- badges: end -->\n\n# iml\n\n`iml` 是一个 R 包，用于解释机器学习模型的行为并阐明其预测结果。\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgiuseppec_iml_readme_689a7730f0fb.png\" align=\"right\" height=140\u002F>\n它实现了模型无关的可解释性方法——这意味着这些方法可以应用于任何机器学习模型。\n\n## 特性\n\n- 特征重要性\n- 部分依赖图\n- 个体条件期望图 (ICE)\n- 累积局部效应\n- 树代理模型\n- LocalModel：局部可解释的模型无关解释\n- 用于解释单个预测的 Shapley 值\n\n更多关于这些方法的信息，请参阅《可解释的机器学习》一书中的 [模型无关方法](https:\u002F\u002Fchristophm.github.io\u002Finterpretable-ml-book\u002Fagnostic.html)。\n\n## 教程\n\n点击此徽章即可启动交互式笔记本教程：\n[![Binder](http:\u002F\u002Fmybinder.org\u002Fbadge.svg)](http:\u002F\u002Fbeta.mybinder.org\u002Fv2\u002Fgh\u002FchristophM\u002Fiml\u002Fmaster?filepath=.\u002Fnotebooks\u002Ftutorial-intro.ipynb)\n\n## 安装\n\n该包可以直接从 CRAN 安装，开发版本则可从 GitHub 获取：\n\n``` r\n# 稳定版\ninstall.packages(\"iml\")\n\n# 开发版\nremotes::install_github(\"christophM\u002Fiml\")\n```\n\n## 新闻\n\n软件包的变更记录可在 [NEWS 文件](https:\u002F\u002Fchristophm.github.io\u002Fiml\u002Fnews\u002Findex.html) 中查看。\n\n## 快速入门\n\n首先，我们训练一个随机森林模型来预测波士顿房价中位数。那么 `lstat` 特征对预测结果的影响是怎样的？这种影响在个体层面和平均层面有何不同？（累积局部效应）\n\n``` r\nlibrary(\"iml\")\nlibrary(\"randomForest\")\ndata(\"Boston\", package = \"MASS\")\nrf = randomForest(medv ~ ., data = Boston, ntree = 50)\nX = Boston[which(names(Boston) != \"medv\")]\nmodel = Predictor$new(rf, data = X, y = Boston$medv)\neffect = FeatureEffects$new(model)\neffect$plot(features = c(\"lstat\", \"age\", \"rm\"))\n```\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgiuseppec_iml_readme_ec5619a210bd.png)\u003C!-- -->\n\n## 贡献\n\n请查看 [贡献指南](CONTRIBUTING.md)。\n\n## 引用\n\n如果您在科学出版物中使用了 iml，请按以下方式引用：\n\n    Molnar, Christoph, Giuseppe Casalicchio, and Bernd Bischl. \"iml: An R package for interpretable machine learning.\" Journal of Open Source Software 3.26 (2018): 786.\n\nBibTeX 格式如下：\n\n``` tex\n@article{molnar2018iml,\n  title={iml: An R package for interpretable machine learning},\n  author={Molnar, Christoph and Casalicchio, Giuseppe and Bischl, Bernd},\n  journal={Journal of Open Source Software},\n  volume={3},\n  number={26},\n  pages={786},\n  year={2018}\n}\n```\n\n## 许可证\n\n© 2018 - 2025 [Christoph Molnar](https:\u002F\u002Fchristophm.github.io\u002F)\n\n本仓库的内容采用 MIT 许可证进行分发。详细信息如下：\n\n    MIT 许可证 (MIT)\n\n    本许可在此授予任何人免费获取本软件及相关文档文件（“软件”）副本的权利，允许以任何形式处理软件，包括但不限于使用、复制、修改、合并、发布、分发、再许可及出售软件副本，并允许向任何获得软件的人提供服务，但须遵守以下条件：\n\n    上述版权声明及本许可声明应包含在所有软件副本或实质性部分中。\n\n    “软件”按“原样”提供，不附带任何明示或暗示的保证，包括但不限于适销性、特定用途适用性和非侵权性。在任何情况下，作者或版权所有者均不对因合同、侵权或其他原因引起的任何索赔、损害赔偿或其他责任负责，即使此类责任源于与软件有关或由软件引起的行为。\n\n## 资助\n\n本项目由巴伐利亚州教育、科学与艺术部在“数字化巴伐利亚中心”（ZD.B）框架下资助。","# iml 快速上手指南\n\n`iml` 是一个用于解释机器学习模型行为和预测结果的 R 语言包。它实现了与模型无关的可解释性方法，适用于任何机器学习模型。\n\n## 环境准备\n\n- **操作系统**：Windows、macOS 或 Linux\n- **R 版本**：建议安装最新稳定版 R（≥ 4.0.0）\n- **前置依赖**：\n  - `randomForest`（示例中使用）\n  - `MASS`（示例数据集）\n  - `remotes`（如需从 GitHub 安装开发版）\n\n可通过以下命令检查并安装基础依赖：\n\n```r\ninstall.packages(c(\"randomForest\", \"MASS\", \"remotes\"))\n```\n\n> 💡 国内用户推荐使用清华或中科大镜像源加速安装：\n> ```r\n> options(repos = c(CRAN = \"https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002FCRAN\"))\n> ```\n\n## 安装步骤\n\n### 安装稳定版（推荐）\n\n```r\ninstall.packages(\"iml\")\n```\n\n### 安装开发版（可选）\n\n```r\nremotes::install_github(\"christophM\u002Fiml\")\n```\n\n## 基本使用\n\n以下示例展示如何使用 `iml` 分析随机森林模型中特征对预测的影响（以波士顿房价数据为例）：\n\n```r\nlibrary(\"iml\")\nlibrary(\"randomForest\")\ndata(\"Boston\", package = \"MASS\")\n\n# 训练随机森林模型\nrf = randomForest(medv ~ ., data = Boston, ntree = 50)\n\n# 准备数据和模型接口\nX = Boston[which(names(Boston) != \"medv\")]\nmodel = Predictor$new(rf, data = X, y = Boston$medv)\n\n# 计算并绘制特征效应（累积局部效应）\neffect = FeatureEffects$new(model)\neffect$plot(features = c(\"lstat\", \"age\", \"rm\"))\n```\n\n运行后将生成图表，展示 `lstat`（低地位人口比例）、`age`（房龄）和 `rm`（平均房间数）对房价预测的个体及平均影响。\n\n更多方法（如 SHAP 值、部分依赖图、ICE 图等）请参考官方文档或交互式教程：  \n[https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002FchristophM\u002Fiml\u002Fmaster?filepath=.\u002Fnotebooks\u002Ftutorial-intro.ipynb](http:\u002F\u002Fbeta.mybinder.org\u002Fv2\u002Fgh\u002FchristophM\u002Fiml\u002Fmaster?filepath=.\u002Fnotebooks\u002Ftutorial-intro.ipynb)","某金融风控团队正在利用随机森林模型评估贷款申请人的违约风险，急需向监管机构和业务部门解释模型为何拒绝特定客户的申请。\n\n### 没有 iml 时\n- 模型如同“黑盒”，只能输出违约概率分数，无法说明具体是哪些因素（如收入、负债比）导致了拒贷结果。\n- 面对客户质疑或监管审查时，分析师只能凭经验猜测模型逻辑，缺乏数学依据支撑，难以通过合规审计。\n- 难以区分特征是整体影响模型还是仅对个别案例起作用，导致无法针对性地优化特征工程或调整策略。\n- 发现模型可能错误地依赖了某些敏感特征（如地区代码），但因缺乏局部解释工具而无法快速定位和验证偏见。\n\n### 使用 iml 后\n- 利用 Shapley 值计算，能精确量化每个特征对单个申请人违约预测的贡献度，生成清晰的“拒贷理由清单”。\n- 通过累积局部效应（ALE）图，直观展示关键特征（如年龄、信用时长）与风险之间的非线性关系，轻松应对监管问询。\n- 结合个体条件期望（ICE）图，深入分析特定群体的预测轨迹，识别出模型在细分场景下的异常行为并迅速修正。\n- 借助特征重要性分析和树代理模型，快速排查并移除了模型中隐含的歧视性特征，显著提升了算法的公平性与透明度。\n\niml 将复杂的机器学习预测转化为可理解的业务洞察，让高风险决策变得透明、可信且合规。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgiuseppec_iml_ec5619a2.png","giuseppec","Giuseppe Casalicchio","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgiuseppec_ef55385a.png",null,"https:\u002F\u002Fgithub.com\u002Fgiuseppec",[78,82,86,90],{"name":79,"color":80,"percentage":81},"R","#198CE7",68.5,{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",29.6,{"name":87,"color":88,"percentage":89},"TeX","#3D6117",1.8,{"name":91,"color":92,"percentage":93},"Makefile","#427819",0.1,503,87,"2026-04-02T14:26:02","NOASSERTION",1,"Linux, macOS, Windows","未说明",{"notes":102,"python":103,"dependencies":104},"该工具是 R 语言包，非 Python 工具。可通过 CRAN 直接安装稳定版，或通过 GitHub 安装开发版。支持交互式 Notebook 教程（基于 Binder）。无特定 GPU 或大内存要求，具体资源需求取决于所解释的机器学习模型的大小和复杂度。","不适用",[105,106,107],"R (基础环境)","randomForest (示例依赖)","MASS (示例数据)",[14],"2026-03-27T02:49:30.150509","2026-04-13T22:44:08.973274",[112,117,122,127,132,136],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},31941,"如何在 R 中使用 iml 包获取 Keras 深度学习模型的 Shapley 值？遇到\"Data passed to Keras must be a vector, matrix, or array\"错误怎么办？","该错误通常是因为传递给 Keras 预测函数的数据格式不正确（如传入了 data.frame 而非矩阵）。确保在定义 Predictor 时，数据已转换为矩阵或数组格式。如果问题仍然存在，可能是 keras 版本不兼容。请检查模型对象的类（使用 class(model)），并尝试更新 iml 到开发版本：devtools::install_github(\"christophM\u002Fiml\")。此外，可以自定义预测函数，确保输入数据被正确转换为矩阵（例如使用 data.matrix()）后再传递给模型。","https:\u002F\u002Fgithub.com\u002Fgiuseppec\u002Fiml\u002Fissues\u002F69",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},31942,"使用 iml::Predictor$new() 时出现错误\"all(feature.class %in% names(feature.types)) is not TRUE\"，原因是什么？","这个错误通常由以下原因引起：1. 数据中包含 iml 不支持的数据类型，例如逻辑型（logical）变量。解决方法是将逻辑变量转换为整数（as.integer）。2. 数据中包含几何列（geometry column）等非标准列，尝试删除这些列。3. 训练集和测试集的特征名称或类型不一致。建议检查数据类型，并将所有特征转换为 iml 支持的类型（如 numeric, factor, character 等）。","https:\u002F\u002Fgithub.com\u002Fgiuseppec\u002Fiml\u002Fissues\u002F63",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},31943,"iml 包是否支持 data.table 格式的输入数据？","iml 内部使用 data.table 进行处理，但在创建 Predictor 对象时，传入的数据必须是标准的 data.frame。如果传入的是 data.table 或其他格式（如 mlr3 的 Task 数据），需要先显式转换为 data.frame。例如：X = as.data.frame(task$data(cols = task$feature_names))。直接使用未转换的数据会导致预测或绘图功能出错。","https:\u002F\u002Fgithub.com\u002Fgiuseppec\u002Fiml\u002Fissues\u002F115",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},31944,"在分类任务中使用 FeatureImp 函数时，为什么所有变量的重要性得分都是 1？","这通常是因为使用了错误的损失函数或 iml 版本过旧。对于分类任务，应确保使用合适的损失函数（如 \"ce\" 代表交叉熵）。如果问题依然存在，请安装最新的 iml 开发版本：devtools::install_github('christophM\u002Fiml')。旧版本在处理分类误差（classification error）时可能存在缺陷，而均方误差（MSE）准则可能工作正常。","https:\u002F\u002Fgithub.com\u002Fgiuseppec\u002Fiml\u002Fissues\u002F102",{"id":133,"question_zh":134,"answer_zh":135,"source_url":121},31945,"如何处理包含逻辑型（logical）变量时的 iml 报错问题？","iml 的 get.feature.type() 函数未定义逻辑型变量，导致报错。解决方法是在将数据传递给 iml 之前，先将数据框中的逻辑型列转换为整数型。可以使用如下代码：df[, logical_cols] \u003C- lapply(df[, logical_cols], as.integer)。这样可以避免\"all(feature.class %in% names(feature.types)) is not TRUE\"错误。",{"id":137,"question_zh":138,"answer_zh":139,"source_url":126},31946,"在使用 mlr3 和 iml 结合时，如何正确构建 Predictor 对象以避免报错？","当结合 mlr3 和 iml 使用时，必须确保传递给 Predictor$new() 的数据是标准的 data.frame 格式，而不是 mlr3 的 Task 对象或 data.table。示例代码如下：\nX = as.data.frame(task$data(cols = task$feature_names))\ny = task$truth()\npredictor = Predictor$new(learner$model, data = X, y = y)\n忽略这一步骤直接传入原始数据会导致后续的特征效应分析或绘图功能失败。",[141,146,151,156,161,165,169,173,177],{"id":142,"version":143,"summary_zh":144,"released_at":145},239211,"v0.11.1","- 更新文档以符合 CRAN HTML5 标准\n","2022-09-17T11:08:44",{"id":147,"version":148,"summary_zh":149,"released_at":150},239212,"v0.11.0","- 修复 `data.table::melt()` 可能存在的未来问题 (#182)\n- 考虑 R 4.2.0 的变更 (#189，@pat-s)\n- 因使用 {data.table} 而将 {bit64} 加入 suggests 部分 (#190)\n- 测试优化 (#190)\n- 增强 LocalModel 的文档 (#187，@mirka-henninger)\n- 将 {keras} 从 imports 移至 suggests (@pat-s)\n- 并行运行测试 (@pat-s)\n- 修复欧氏距离计算中的下标越界错误 (#163，@mirka-henninger)\n- 修复 `FeatureEffect` 对空水平的处理问题 (#160，@grantirv)\n- 允许计算特征组的重要性 (`FeatureImp`) (#158)\n- `FeatureEffect` 现在可以使用用户提供的网格点进行计算。该功能适用于 ICE、ALE 和 PDP。\n- `FeatureImp` 新增参数 `features`，可用于计算特征子集的重要性。若提供字符型列表，则会计算每组特征的联合重要性 (#156，@grantirv)","2022-05-30T19:43:58",{"id":152,"version":153,"summary_zh":154,"released_at":155},239213,"v0.10.1","- 确保 `Predictor$new()` 中的 `data` 参数始终为数据框 (#126)\n- 修复 CRAN 检查\n","2020-10-08T06:21:34",{"id":157,"version":158,"summary_zh":159,"released_at":160},239214,"v0.10.0","- 对 FeatureEffect\\$results 数据框的更改：\n  - 所有数值均存储在 .value 列中，不再使用 .y.hat 和 .ale 列。\n  - 新增 .type 列，用于标识特征效应的类型。\n  - 将 .feature 列重命名为 .borders。该列存储用于根据所用方法计算特征效应时使用的网格边界。\n  - 对于 ALE 类型，包含特征名称的列已移至最前面（与其他类型保持一致）。\n- 增加对 h2o 的支持。\n- 增加对 Keras 的支持。\n- 增加对 mlr3 的支持。\n- 修复了 FeatureImp 中的一个问题，该问题会导致未使用的特征获得非零的重要性值。\n- FeatureEffects\\$plot() 现基于 `patchwork` 包实现。\n- 使用新的 roxygen R6 文档格式。\n- 使用 futures 包进行并行代码执行。\n- 测试环境从 Travis CI 迁移到 GitHub Actions。\n- 添加 pkgdown 网站。\n- 在“parallel”示例 vignette 中使用 “callr” 后端。","2020-03-26T12:15:52",{"id":162,"version":163,"summary_zh":75,"released_at":164},239215,"v0.8.1","2019-01-02T12:15:36",{"id":166,"version":167,"summary_zh":75,"released_at":168},239216,"JOSS","2018-06-27T09:23:07",{"id":170,"version":171,"summary_zh":75,"released_at":172},239217,"v0.5.0","2018-05-11T13:51:13",{"id":174,"version":175,"summary_zh":75,"released_at":176},239218,"v0.4.0","2018-04-27T15:56:47",{"id":178,"version":179,"summary_zh":75,"released_at":180},239219,"v0.2","2018-03-04T20:38:48"]