知识卡片
SHAP把Shapley值转化为线性可加分解
内容
SHAP把每个样本预测值分解成”基线值（所有样本预测均值）+ 各特征SHAP值之和”的线性可加公式，某特征SHAP值为正说明把预测值往上推，为负则往下拉。这解决了[[Shapley值合作博弈里的公平贡献分配]]原本计算量随特征数指数增长、难落地的问题（树模型有高效算法TreeExplainer），让黑盒模型的单次预测能拆解成每个特征清晰可读的贡献量。
参考来源
- 位置：《数据科学工程实践》第11章《机器学习模型可解释性》"11.3.1 黑盒模型解释方法·Shapley"一节（源文件：_epub-src/OEBPS/Text/part0063.xhtml）
- 结论依据：原文给出SHAP公式"yi = ybase + f(xi1) + f(xi2) + … + f(xij)"，明确"该方法有效解决了Shapley值计算效率低的问题，提出了基于核及基于树模型的替代方法……创新之处在于将Shapley值表示为一种附加特征归因方法，即线性模型"，并说明"当f(xij)>0时……起到正向作用；当f(xij)<0时……起到反向作用"。
- 原始内容：伦德伯格于2016年基于Shapley值提出了可用于解释个体预测的SHAP方法。该方法有效解决了Shapley值计算效率低的问题……SHAP的目标是通过计算每个特征在预测过程中的贡献量……它的创新之处在于将Shapley值表示为一种附加特征归因方法，即线性模型……yi = ybase + f(xi1) + f(xi2) + … + f(xij)……当f(xij)>0时，说明该特征提升了预测值，起到正向作用；当f(xij)<0时，说明该特征降低了预测值，起到反向作用。