SHAP 值告訴你什麼資訊？
SHAP（SHapley Additive exPlanations）值常用於分析機器學習模型的輸出行為。下列何者最符合 SHAP 值所提供的資訊？
SHAP（SHapley Additive exPlanations）值常被用來分析機器學習模型的輸出行為。
問你：SHAP 值提供的是哪一種資訊？
一句話總結
SHAP 值告訴你：針對這一筆預測，每個特徵貢獻了多少，讓結果往哪個方向走。
先感受問題：模型說「高風險」，你不知道為什麼
假設「合泰保險」用機器學習模型評估車險申請人的理賠風險。模型輸入年齡、駕齡、過去三年事故次數、車種、居住地區等 15 個特徵，輸出一個 0 到 1 的風險分數。
申請人陳先生的風險分數是 0.82（高風險），系統建議提高保費 35%。
陳先生質疑：「我駕齡 20 年、沒有事故紀錄，為什麼被評為高風險？」
精算師想知道：「這個 0.82 是怎麼來的？是年齡、車種還是居住地讓他分數這麼高？」
用 SHAP 值分析後，答案出來了：陳先生住在台北市信義區（高理賠密度地區）讓風險分數 +0.18，他的車是進口高端車（維修成本高）讓分數 +0.15，而他的 20 年駕齡和零事故紀錄讓分數 -0.11。最後的高分主要是地區和車種造成的，不是他的駕駛行為。
這就是 SHAP 值的用途：把模型的預測結果「拆解」到每個特徵的貢獻，說清楚每個輸入做了什麼。
沒有 SHAP 值之前，怎麼解釋預測結果
在 SHAP 值流行之前，業界用了幾種方法，但都有根本限制：
- 全局特徵重要性：只能說「這個模型整體上最重視哪些特徵」，但無法說「陳先生這一筆具體是哪個特徵造成的」
- 部分依賴圖（PDP）：顯示某個特徵和預測值的平均關係，但看不出這一筆個別案例
- 線性模型係數：只適用於線性模型，複雜的非線性模型完全用不了
- 工程師判斷：工程師自己猜「大概是因為這個」，但沒有量化依據，難以說服客戶或法規機構
- 對結果沒有解釋：只好在合約裡寫「AI 輔助決策，最終由人工審核」，但仍無法回應「為什麼」的問題
SHAP 值怎麼拆解單一預測的貢獻
SHAP 的核心思想來自賽局理論的 Shapley 值概念：當一群人合作完成一件事，每個人應該分到多少「功勞」或「責任」？
把這個邏輯套到模型預測上：模型用 15 個特徵預測出陳先生的風險分數 0.82，每個特徵各自「貢獻」了多少到這個分數上？
SHAP 的計算方式是：系統性地嘗試「加入」和「排除」每個特徵的組合，觀察每次加入某個特徵時，預測值的改變量，再加權平均得出該特徵的公平貢獻值。
最後每個特徵都得到一個 SHAP 值：正值代表這個特徵讓預測結果往預期方向推（推高風險），負值代表它把結果往反方向拉（降低風險）。所有特徵的 SHAP 值加起來等於這筆預測與基準值的差距。
這就是選項 C 說的：在單一預測結果中，各輸入特徵對最終輸出所產生的貢獻分配。
技術版：SHAP 值在可解釋 AI 中的地位
SHAP 屬於什麼領域：SHAP 是後處理可解釋 AI（Post-hoc XAI）的核心方法，和 LIME 同屬 Model-agnostic 的解釋技術。兩者都可以解釋任何黑盒模型，但 SHAP 的理論基礎更嚴謹，並且可以做局部（單一預測）和全局（整體模型）兩種解釋。
SHAP 的數學保證：SHAP 滿足四個賽局理論性質：局部精確性（各特徵 SHAP 值之和等於預測差值）、缺失性（缺失特徵貢獻為零）、一致性（特徵越重要 SHAP 值越大）、對稱性（行為相同的特徵獲得相同貢獻）。這讓 SHAP 的解釋具有理論唯一性，不像 LIME 可能產生不穩定結果。
實務上誰在用 SHAP：金融業用於解釋信貸決策（法規要求）、醫療業用於解釋診斷建議（醫生信任度）、電商用於解釋推薦邏輯（算法透明度）。Python 的 SHAP 套件讓計算非常方便，是業界最常用的 XAI 工具之一。
為什麼出題者要考 SHAP：SHAP 是初級 AI 規劃師必須認識的可解釋技術，考試會從「SHAP 提供什麼資訊」、「SHAP 和 LIME 的差異」、「何時該用 SHAP」等角度出題。
為什麼其他選項是錯的
A模型在訓練過程中，各特徵對損失函數收斂速度的影響程度
分析哪些特徵讓訓練時的損失函數下降更快。
SHAP 是在模型訓練完後做解釋（Post-hoc），它分析的是「預測結果」而不是「訓練過程」。損失函數收斂速度是訓練優化的概念，跟 SHAP 完全不同的問題域。
把「特徵重要性」和「訓練效率」混在一起的人。SHAP 關心的是預測結果的貢獻，不是訓練速度。
B依據特徵對模型整體準確率的影響，自動篩除低重要性變數
用某個指標評估特徵重要性，把不重要的特徵去掉。
這描述的是特徵選擇（Feature Selection），不是 SHAP 的用途。SHAP 不會自動刪除特徵，也不直接測量「整體準確率」的影響。SHAP 的輸出是每個特徵在每筆預測中的貢獻值，是解釋工具，不是特徵工程工具。
覺得「看特徵重要性當然是為了去掉不重要的特徵」的人。SHAP 確實可以用來判斷哪些特徵全局上比較重要，但這只是其中一個應用，SHAP 的核心定義是「貢獻分配」，不是「特徵篩選」。
D透過調整特徵權重，使模型在推論階段降低計算複雜度
用某種方式調整特徵，讓模型推論時跑得更快。
SHAP 是分析工具，不會修改模型的特徵權重，更不是為了加速推論。SHAP 計算本身其實計算成本相當高（需要計算大量特徵組合），與「降低計算複雜度」的目標完全相反。
把 SHAP 和模型壓縮、特徵剪枝等優化技術混為一談的人。SHAP 是解釋型工具，不是優化型工具。
同個考點下次怎麼變形
SHAP 值為正和為負分別代表什麼？
SHAP 值有正有負，各代表什麼意思？
SHAP 值為正代表這個特徵讓預測結果高於基準值（往正方向貢獻）；SHAP 值為負代表這個特徵讓預測結果低於基準值（往負方向拉）。例如在房價預測中，「靠近地鐵站」的 SHAP 值為正代表它讓這棟房子的預測價格高於平均，「老舊屋齡」的 SHAP 值為負代表它把預測價格拉低。
SHAP 全局特徵重要性圖表怎麼看？
SHAP 不是解釋單一預測嗎？怎麼還有全局的圖表？
SHAP 可以對所有訓練資料的每筆預測都算一次 SHAP 值，然後把每個特徵的 SHAP 值絕對值取平均，就得到全局特徵重要性：平均 SHAP 值大的特徵，對整體模型影響最大。這讓 SHAP 既可以做局部解釋（單筆），也可以做全局分析（整體模型行為）。
SHAP 和傳統的特徵重要性（Feature Importance）有什麼不同？
隨機森林也有特徵重要性，跟 SHAP 有什麼差別？
傳統特徵重要性（如隨機森林的 Gini Importance）只能給出全局的特徵排名，無法解釋單一預測，也可能因為特徵相關性而偏差。SHAP 可以給出每一筆預測的個別解釋，且數學上有唯一性保證。另外，傳統特徵重要性不區分「正面影響」和「負面影響」，SHAP 的正負號則明確告訴你特徵推高還是拉低了預測值。
為什麼 SHAP 計算成本比 LIME 高？
SHAP 的理論比 LIME 嚴謹，但代價是什麼？
SHAP 需要計算所有特徵子集的組合（2 的 n 次方種），對 n=15 個特徵就要算 32768 種組合，才能得到理論上公平的貢獻分配。LIME 只在局部區域隨機採樣幾百次，計算量小得多。實務中有 TreeSHAP 等加速版本，針對樹狀模型大幅降低計算量，讓 SHAP 在大規模應用中更可行。
醫療 AI 診斷中，SHAP 值可以幫醫生做什麼決策？
醫生會看 SHAP 值嗎？有什麼實際用途？
SHAP 可以幫醫生理解「AI 為什麼判斷這個病人是高風險」：例如心臟病風險模型給出高分，SHAP 顯示主要貢獻來自「血壓偏高」和「家族病史」，而不是「體重」。醫生可以核實這個判斷是否合理，如果 AI 的高分竟然主要來自一個不相關的特徵，醫生可以質疑模型可靠性，而不是盲目信任數字。
想再往下看，這 5 個
- SHAP（SHapley Additive exPlanations）基於賽局理論 Shapley 值，計算每個輸入特徵對單一預測結果的貢獻分配，兼具局部與全局解釋能力
- 可解釋人工智慧（Explainable AI）讓 AI 決策可被人類理解的研究領域，SHAP 是其中最廣泛部署於金融、醫療高風險場景的工具之一
- 特徵工程（Feature Engineering）設計與轉換輸入特徵的過程，SHAP 可回溯評估每個工程特徵對模型輸出的實際貢獻，支援特徵品質驗證
- LIME（Local Interpretable Model-agnostic Explanations）同為後處理 XAI 方法，透過局部代理模型提供特徵影響解釋，與 SHAP 的理論基礎和計算方式不同
- 特徵選擇法（Feature Selection）從輸入變數中篩除低重要性特徵的技術，與 SHAP 提供的單筆預測貢獻分配在目標和方法上均不相同