待验证50% 置信解决方案精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
待验证SHAP用于特征归因（解释每个特征对预测的贡献度），DiCE用于生成多样化的反事实样本，二者互补72% 相似待验证SHAP值和LIME是常用的局部可解释性方法，能够量化每个特征对单次决策的贡献度72% 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一72% 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69% 相似待验证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67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/907898API
curl https://kongchang.com/api/v1/knowledge/claims/907898MCP
get_claim(id=907898)