SHAP
Parent: ai_keywords
SHAP（Shapley Additive Explanations）
【核心定义】
SHAP 是一种基于合作博弈论中 Shapley 值的模型解释方法，由 Lundberg 和 Lee 于 2017 年提出。它通过公平分配每个特征对模型预测的边际贡献，为任意机器学习模型提供全局一致且局部精确的归因解释。核心思想是将预测值分解为各特征的 Shapley 值之和，满足可加性与局部保真性。
【关键技术点】
- Shapley 值原理：源自博弈论，通过计算特征在特征子集联盟中的平均边际贡献来分配重要性，确保唯一性、公平性和对称性。
- 加法特征归因：SHAP 构建一个线性加性解释模型
g(z') = φ₀ + Σφᵢ z'ᵢ，其中φᵢ是特征i的 Shapley 值，z'ᵢ ∈ {0,1}表示特征存在性，满足局部保真性（近似原始模型输出）。 - 高效近似算法：包括 KernelSHAP（适用于任意模型，基于加权线性回归）和 TreeSHAP（专为树模型设计，计算复杂度从指数级降至 O(TL·2ᴰ)，其中 T 为树数，L 为叶节点数，D 为最大深度），显著提升可扩展性。
- 多层级解释：可生成全局解释（SHAP 摘要图显示特征重要性排序与正负影响方向）、局部解释（力水图展示单个样本特征贡献）以及特征相互作用依赖图。
【医学/神经科学应用场景：脑卒中预后可解释性分析】
首都医科大学神经病学团队利用 SHAP 解析多模态预后模型（结合 CT 灌注成像与临床指标），预测急性缺血性脑卒中患者 90 天功能结局（mRS 评分）。采用 TreeSHAP 从 XGBoost 模型中提取关键特征归因：梗死核心体积和侧支循环分级贡献最大（正相关）；发病至溶栓时间的 Shapley 值呈非线性阈值效应（>4.5 小时转为强负贡献）。局部解释发现，一例合并糖尿病的患者，血糖水平突然成为决定性负向特征，提示的严格控制血糖可能改善预后。SHAP 不仅量化了特征重要性，更可揭示群体规律外的个体异质性，推动神经重症精准决策。
