SHAP（SHapley Additive exPlanations）是一种解释机器学习模型预测的方法。它的核心思想，正是将模型的每一个预测结果“分解”开来，以量化其中每个特征所做出的具体贡献。

具体来说，可以从以下几个方面来理解：

• 核心功能是量化特征贡献：SHAP的核心功能就是量化每个特征对模型预测的贡献。它通过计算SHAP值来实现这一点，这个值代表了一个特征在特定预测中的贡献大小。这些贡献是可加性的，即模型对一个样本的预测值（基线值）加上所有特征的SHAP值之和，等于最终的预测值。

• 理论基础是博弈论：SHAP方法源于合作博弈论中的Shapley值。它将模型预测视为“合作收益”，将每个特征视为一个“玩家”，然后公平地计算每个“玩家”（特征）对最终“收益”（预测结果）的贡献。

• 提供局部和全局解释：SHAP不仅能解释单个预测（局部解释），说明是哪些特征导致了这个具体结果；还能汇总所有样本的SHAP值，来理解特征在整个数据集上的总体影响（全局解释）。