搜索研究与资料 · 工具介绍
SHAP
SHAP 使用 Shapley 值相关方法解释机器学习模型的输出，将特征对预测的贡献表示为数值，并提供瀑布图、力图及特征关系等可视化方式。
SHAP 能做什么
SHAP 使用 Shapley 值相关方法解释机器学习模型的输出，将特征对预测的贡献表示为数值，并提供瀑布图、力图及特征关系等可视化方式。
- 语言模型与智能体质量评估及回归检查
- 数据图表制作与调整
如何使用 SHAP
解释树模型的一次预测并检查特征贡献
准备输入
- 已训练的树模型和需要解释的特征数据。
操作步骤
- 安装 shap，用 shap.Explainer 包装模型。
- 将特征数据传给解释器，得到 shap_values。
- 对选定样本调用 shap.plots.waterfall 或 force，检查各特征推动预测升高或降低的贡献。
预期交付物
- 逐样本特征贡献值，以及所选预测的可视化解释。
图中的贡献描述模型输出相对基准值的变化；人工应检查模型与数据背景，不将特征归因直接当作现实中的因果证明。
开始前需要了解
账号权限、费用与可用功能请以官方入口的当前说明为准。重要结果应先检查，再用于实际工作。
从搜索研究与资料角度评估SHAP
把搜索研究与资料需要的条件列清楚，再比较工具。阅读本页的产品用途、步骤与限制，再逐项确认下面的问题；这些是选型方法，不表示每款工具都具备同样能力。
来源能否回看
需要能打开的原始页面或文档位置，不能只有一段无出处的摘要。
范围是否与问题一致
核对日期、地区、对象与定义，不把相似术语当成同一事实。
是否保留反例
把冲突资料和未解决问题放进结论，避免只找支持原想法的证据。
选择一个小样任务，先检查结果与交付格式，再决定是否用于更多资料。
