Seaborn

모델 해석 가능성과 설명 가능한 AI를 위한 shap 스킬입니다. 예측 결과를 이해하고, 특징 기여도를 계산하고, SHAP 플롯을 선택하고, 트리·선형·딥러닝·블랙박스 모델 전반의 데이터 분석에서 모델 동작을 디버깅하는 데 활용할 수 있습니다.

Seaborn은 pandas와 잘 맞는 입력과 안정적인 기본값을 갖춘 Python 통계 시각화용 seaborn 스킬입니다. 분포, 관계, 범주형 비교, 박스 플롯, 바이올린 플롯, 페어 플롯, 히트맵을 빠르게 탐색할 때 유용합니다. matplotlib 기반이라 정적인 출판용 차트를 만들기에 적합합니다.

scikit-learn은 Python에서 전통적인 머신러닝 워크플로를 구축할 수 있게 도와줍니다. 이 scikit-learn 스킬은 분류, 회귀, 클러스터링, 전처리, 모델 평가, 하이퍼파라미터 튜닝, 파이프라인 구성에 활용할 수 있습니다. 표 형식 데이터와 반복 가능한 모델 개발에 적합한 실용적인 scikit-learn 가이드입니다.

scientific-visualization은 출판용 그림 제작을 위한 메타 스킬입니다. 학술지 투고용 플롯, 멀티 패널 레이아웃, 유의성 주석, 오차막대, 색각 이상 친화 팔레트, 그리고 Nature/Science/Cell 스타일 서식이 필요한 작업에 사용하세요. matplotlib, seaborn, plotly를 함께 조율해 과학적 데이터 시각화 작업을 지원합니다.