待验证50% 置信事实精确时间

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

1

来源数

50%

置信度

长期有效

时效性

2026/7/9

首次发现

来源

AI公共采购的透明度危机：Palantir争议给政府AI战略的警示

hackernewshackernews2026/7/6

相关事实

待验证机器学习的代表算法包括支持向量机（SVM）、决策树和朴素贝叶斯73% 相似待验证对树模型（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73% 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72% 相似待验证XGBoost由陈天奇于2014年提出，通过正则化的目标函数和高效的树构建算法统治Kaggle表格数据竞赛多年71% 相似待验证XGBoost等集成模型预测性能更强但天然是黑箱，配合SHAP分析可弥补可解释性短板70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/335707

API

curl https://kongchang.com/api/v1/knowledge/claims/335707

MCP

get_claim(id=335707)