---
title: "SHAP（SHapley Additive exPlanations）"
slug: shapley-additive-explanations
language: zh-TW
source: https://aiterms.tw/terms/shapley-additive-explanations
updated_at: 2026-04-29
tags: [模型評估, AI倫理與治理]
ipas_term: false
---

# SHAP（SHapley Additive exPlanations）

> **你有沒有在你想知道貸款模型為什麼把某人判成高風險，而不是只看結果，發現只看表面常常不夠？**
>
> 你可以把它想成把每個特徵在不同組合裡的貢獻公平攤開，再算出它對預測的影響。
>
> 模型越複雜，越需要能說清楚原因，SHAP 就是常見的可解釋工具。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **傳統特徵重要性**
> 傳統特徵重要性像只看誰出力最大，但沒考慮隊友之間怎麼互相影響。
> SHAP 則像個精算師，它不只看單一特徵的影響，還會考慮所有特徵組合的情況，確保每個特徵的貢獻被公平且一致地評估。
>
> 最關鍵的區別：先看它是在比意思、比結構，還是在做任務輸出。

### 記住這句就好
> 要公平分攤每個特徵對預測的貢獻，就想到 SHAP。

### 實際案例
> 銀行想知道申請人被拒絕，是收入、負債比，還是信用紀錄影響最大。
> 醫療模型判定高風險時，醫師需要知道是哪個症狀或檢驗值推高了分數。

### 算法與應用
> 它用 Shapley value 思想衡量每個特徵在所有可能組合下的平均貢獻。
> 好處是能做局部解釋，也能彙總成全局重要性。

### 情境判斷
> **Q1（直覺題）：** 如果你只想知道哪個特徵影響最大，SHAP 還有用嗎？
>
> → 有。它不只給排名，還能看單一樣本的影響方向。
>
> **Q2（判斷題）：** 如果特徵之間彼此強相關，SHAP 的解讀會不會變複雜？
>
> → 會。看情況，特徵共線性高時，解釋要更小心。

### 常見問題
> **Q：SHAP 值可以是負數嗎？代表什麼意思？**
> 是的，SHAP 值可以是負數。負的 SHAP 值表示該特徵對預測結果產生了負面影響，也就是說，該特徵降低了模型預測的數值。例如，在信用評分模型中，逾期還款的記錄可能會產生負的 SHAP 值，降低客戶的信用評分。
>
> **Q：SHAP 值如何處理特徵之間的相關性？**
> SHAP 值在處理特徵相關性方面存在一定的挑戰。當特徵高度相關時，它們的 SHAP 值可能會被分配得不準確。一些研究提出了改進 SHAP 以更好地處理特徵相關性的方法，例如考慮特徵之間的交互作用或使用基於因果模型的 SHAP 變體。
>
> **Q：SHAP 的計算成本很高，有沒有更快的替代方案？**
> 是的，SHAP 的計算成本可能很高，特別是對於複雜模型和大型數據集。除了 KernelSHAP 和 TreeSHAP 等近似算法外，還有一些更快的替代方案，例如 FastSHAP 和 Saabas。這些方法通常犧牲一定的準確性來換取更快的計算速度，需要根據具體應用場景進行權衡。

### 相關術語
> - **可解釋人工智慧**：SHAP 的目標就是讓模型更能被人看懂。
> - **機器學習**：很多應用的底層都離不開機器學習。
> - **LIME**：它和 SHAP 常一起拿來比較局部解釋。
> - **公平性**：解釋模型之後，下一步常會看公平性有沒有出問題。
> - **決策樹**：樹模型的可解釋性常用來和 SHAP 對照。

---

來源：https://aiterms.tw/terms/shapley-additive-explanations
快查頁：https://aiterms.tw/terms/shapley-additive-explanations
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-shapley-additive-explanations