待验证50% 置信事实精确时间
SHAP（SHapley Additive exPlanations）是主流的机器学习模型解释框架，理论基础源自博弈论中的Shapley值
1
来源数
50%
置信度
长期有效
时效性
2026/7/16
首次发现
来源
相关事实
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一81% 相似待验证LIME（局部可解释模型无关解释）和SHAP（Shapley加性解释值）是为复杂黑箱模型提供事后解释的主要工具70% 相似待验证SHAP值通过博弈论中的沙普利值方法量化每个特征对单一预测结果的贡献度，LIME通过在预测点附近构建局部线性近似模型解释个案决策67% 相似待验证可说明性（Explainability）催生了LIME、SHAP等事后归因方法，面向外部用户回答为什么模型给出该输出65% 相似待验证机械可解释性区别于传统可解释性（如LIME、SHAP等事后近似解释方法），追求对模型内部计算结构的精确、机械式理解56% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/528821API
curl https://kongchang.com/api/v1/knowledge/claims/528821MCP
get_claim(id=528821)