Unverified50% confidenceFactExact time
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
1
Sources
50%
Confidence
Long-term
Relevance
8/23/2026
First Seen
Sources
Related Entities
Related Claims
VerifiedSHAP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一69% similarUnverified循环论证偏差指当特征本身隐含标签信息时模型看似准确率极高实则用答案预测答案67% similarUnverifiedSHAP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63% similarUnverified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60% similarUnverified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60% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/790034API
curl https://kongchang.com/api/v1/knowledge/claims/790034MCP
get_claim(id=790034)