待验证60% 置信事实精确时间
LIME通过在输入样本周围生成扰动数据集训练局部线性近似模型来解释单次预测，SHAP基于博弈论Shapley值提供特征归因，两者均为模型无关技术
2
来源数
60%
置信度
长期有效
时效性
2026/9/4
首次发现
来源
涉及实体
相关事实
已验证LIME通过在目标样本周围构造扰动数据集，训练局部可解释的线性模型来近似复杂模型的局部行为79% 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78% 相似待验证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77% 相似待验证SHAP的核心思想是将每个特征对模型预测的贡献量化，使得所有特征贡献之和等于模型预测值与基线值的差74% 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一74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/855814API
curl https://kongchang.com/api/v1/knowledge/claims/855814MCP
get_claim(id=855814)