基于Shapley值的特征属性，常用于解释机器学习模型。然而，从理论和计算的角度来看，Shapley值特征属性的估计是复杂的。
近日，美国 华盛顿大学(University of Washington)Hugh Chen, Ian C. Covert，Su-In Lee等，在Nature Machine Intelligence上发文，报道了将这种复杂性分解为两个主要因素：去除特征信息的方法，以及易处理的估计策略。这两个因素提供了天然的视角，从而更好地理解和比较24种不同的算法。基于各种特征移除方法，还描述了多种类型的Shapley值特征属性及其计算方法。然后，基于易处理的估计策略，描述了两种不同的方法：模型不可知和模型特定的近似。对于模型不可知的近似，对一大类估计方法进行了基准测试，并将其与Shapley值的替代但等价的特征联系起来。对于特定于模型的近似，还阐明了对线性、树和深度模型的每种方法可处理性至关重要的假设。最后，确定了文献中的空白和有希望的未来研究方向。Algorithms to estimate Shapley value feature attributions. 
图1: 在实践中，广泛使用的Shapley值解释。
图2: Shapley值定义和属性。
图3: 处理缺失特征的经验策略。
图4: 对无偏的、模型不可知的算法进行基准测试，以估计单个Explicand基线Shapley值，以及具有100棵树的XGB模型基线。
https://www.nature.com/articles/s42256-023-00657-xhttps://doi.org/10.1038/s42256-023-00657-x
