← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 7263.n · 生成模型:WorkBuddy (Claude)

夏普利值特征归因

理解等级:高级

夏普利值(Shapley Value)来自合作博弈论,用来评价“每个特征在单次预测中的边际贡献”——它取该特征所有可能组合下的平均边际贡献,可正(起积极作用)可负(起反向作用)。对线性模型,特征 j 的重要度可直接写为 ϕ_j = β_j·x_j − β_j·E(X_j),所有特征重要度加和等于“预测值减平均预测值”。但树模型、深度模型没有这种显式权重,就需要夏普利值。

其定义为:对特征子集 S,用模型在该子集上的预测 val(S),按与顺序相关的权重对所有“加入特征 j 后的边际贡献”求加权和。它满足四条公理:效率性(贡献和=预测与均值的差)、对称性(贡献相同的特征分值相同)、空值性(不改变预测的特征分值为0)、可加性(两个夏普利值可加)。这四条性质保证了归因的公平与一致,也是后续 [[SHAP可加特征归因]] 的理论基础。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《推荐系统全链路设计:原理解读与业务实践》第8章《精排层的样本选择和模型选择》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/99.html;src-051) - 结论依据:原文给出夏普利值是所有特征组合的平均边际贡献,并列出效率性、对称性、空值性、可加性四条性质及其含义。 - 原始内容:然而,在其他非线性模型(比如树模型或者深度模型)中没有类似的权重,因此需要一个不同的解决方案,通过合作博弈论中的夏普利去得到模型的单个预测的特征贡献