用于可解释机器学习的 Shapley 值和 SHAP 之间的差异

Posted 2023-02-16

【中文标题】用于可解释机器学习的 Shapley 值和 SHAP 之间的差异

【英文标题】：Difference between Shapley values and SHAP for interpretable machine learning

【发布时间】：2020-01-31 20:21:55

【问题描述】：

The Paper 关于 die shap 包给出了 (4) 中的 Shapley 值和显然在 (8) 中的 SHAP 值的公式

我仍然不太了解 Shapley 和 SHAP 值之间的区别。据我了解，对于 Shapley，我需要在每个可能的参数子集上重新训练我的模型，而对于 SHAP，我只是使用在所有参数上训练的基本模型。是这样吗？那么SHAP在计算上更容易吗？

【问题讨论】：

由于这本身不是一个编码问题，您可能会在Cross Validated 或Data Science SE 上进一步询问。

【参考方案1】：

SHAP 结合了其他不可知论方法的本地可解释性（s.a. LIME，其中模型 f(x) 在本地近似，每个因子 X 的每个实例的可解释模型 g(x)）和 Shapley 值的博弈论方法。这会产生一些理想的属性（局部准确性、缺失性、一致性）。

回想一下，在公式 (4) 中“局部”缺失，并且 Shapley（回归）值为因子 X（作为一个整体）分配了一个贡献分数。在公式 (8) 中，我们看到，SHAP 现在是 x 的函数。这意味着我们对每个因素都有贡献，特别是对于因素 Xi = xi 的每个实现实例，这使得它可以在本地解释并继承所需的属性。

因此，SHAP 可以理解为 LIME（或相关概念）和 Shapley 值的组合。最后，SHAP 值只是“原始模型的条件期望函数的 Shapley 值”Lundberg and Lee (2017)。基本上，Shapley 值是为任何值函数定义的，SHAP 只是通过值函数的特殊定义，Shapley 值的一个特例！

我和你有同样的问题，这是我对Lundberg and Lee (2017) 论文的直观理解。希望这会有所帮助。