待验证50% 置信事实精确时间
SHAP精确计算随特征数量呈指数增长，实际中通常采用KernelSHAP或TreeSHAP等近似算法。
1
来源数
50%
置信度
长期有效
时效性
2026/10/26
首次发现
来源
涉及实体
相关事实
待验证对树模型（如随机森林、XGBoost），SHAP 计算效率极高，并能生成特征重要性排序图、依赖图与蜂群图75% 相似待验证在TreeSHAP加速算法支持下，SHAP对随机森林、XGBoost等树模型的计算效率达到多项式级别74% 相似待验证对于基于梯度提升树（如XGBoost）的传统机器学习模型，SHAP值、LIME等可解释性工具已相当成熟67% 相似待验证研究者使用SHAP（Shapley Additive Explanations）分析传统分类器以识别驱动预测决策的关键特征65% 相似已验证SHAP基于博弈论中的Shapley值，能够量化每个特征对最终预测结果的贡献度，是目前工业界应用最广泛的解释性工具之一64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1098642API
curl https://kongchang.com/api/v1/knowledge/claims/1098642MCP
get_claim(id=1098642)