已验证65% 置信事实时间未知
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
3
来源数
65%
置信度
长期有效
时效性
2026/5/31
首次发现
来源
卡夫卡成为现实：AI算法决策下的现代荒诞困境
twitterlevelsio
涉及实体
相关事实
待验证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81% 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80% 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63% 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62% 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58% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/6965API
curl https://kongchang.com/api/v1/knowledge/claims/6965MCP
get_claim(id=6965)