SHAP 分析中机器学习模型的比较分析
机器学习
2026-04-09 v1
摘要
在这个数据和技术的时代，大型黑箱模型因其处理大量数据和学习极其复杂数据模式的能力而成为常态。然而，这些方法的缺陷在于它们无法解释预测过程，使其不可信，在高风险情境中的使用也充满风险。SHapley Additive exPlanations（SHAP）分析是一种可解释 AI 方法，因其能够用原始特征解释模型预测而日益流行。对于数据集中的每个样本和特征，相关的 SHAP 值量化了该特征对该样本预测的贡献。对这些 SHAP 值的分析提供了对模型决策过程的宝贵洞察，可用于创建数据驱动的解决方案。然而，这些 SHAP 值的解释是依赖于模型的，因此不存在通用的分析程序。为了协助这些工作，我们对各种机器学习模型和数据集上的 SHAP 分析进行了详细调查。在揭示 SHAP 分析背后的细节和细微差别时，我们希望赋能这一较少被探索领域的分析人员。我们还提出了瀑布图在多分类问题上的新推广。
引用
@article{arxiv.2604.07258,
title = {A comparative analysis of machine learning models in SHAP analysis},
author = {Justin Lin and Julia Fukuyama},
journal= {arXiv preprint arXiv:2604.07258},
year = {2026}
}
备注
17 pages, 16 figures, 4 tables