第2章 SHAP理论基础：Shapley值、博弈论解释、加性特征归因

好，这一章咱们聊聊SHAP到底是怎么算出来的。很多人一开始接触SHAP，看到一堆数学符号就头疼。别急，我会尽量用大白话讲清楚。我自己刚入行的时候，也是被那个Shapley值的公式吓一跳，后来发现，核心逻辑其实非常简单，就是一个“公平分配”的问题。

1. 博弈论里的“公平分配”

SHAP的名字来源于Shapley值，而Shapley值最早是博弈论里的概念。简单说，就是一群玩家合作赚了一笔钱，怎么分才算公平？每个人应该拿多少？Shapley值的答案很简单：拿你贡献的平均值。

举个例子：假设三个玩家A、B、C组队干活，挣了100块。A单独干能挣30，B单独干能挣20，C单独干能挣10。两两组合呢？A+B能挣70，A+C能挣50，B+C能挣40。三人一起挣100。问：A该分多少？Shapley值的做法是，遍历所有可能的加入顺序，算A在每个人加入时带来的“边际贡献”，最后取平均。

我在项目中遇到过一个问题：一个客户问，为什么某个特征对预测结果的贡献是负数？其实很好解释，Shapley值允许负贡献，代表该特征在当前组合下“拖后腿”了——就像团队里有人干活少还分钱多，Shapley值会算出他的实际贡献是负的。这一点在实际业务中非常重要，能帮你精准定位“坏特征”。

2. Shapley值的数学公式——其实不复杂

好了，我们来看正经公式。虽然符号多，但拆开看很直观：

φᵢ(v) = Σ_{S ⊆ N\{i}} [ |S|! (|N|-|S|-1)! / |N|! ] × [ v(S∪{i}) - v(S) ]

这里：

• N是所有特征集合（玩家总集合）
• S是不包含特征i的任意子集
• v(S)是只用子集S里的特征时模型的预测值
• v(S∪{i})是加上特征i后的预测值
• 前面的分数是一个权重，保证每个子集大小出现的概率均衡

说白了，就是对所有可能的特征组合，计算加入特征i前后预测值的变化，然后按不同组合的大小加权平均。为什么加权重？因为不同大小的子集出现的概率不一样，Shapley值要保证“公平”——每个玩家在每一轮加入时被考虑的机会均等。

我习惯用一个表格来直观对比不同子集大小的贡献：

子集大小（|S|）	包含特征i的预测值	不包含特征i的预测值	边际贡献	权重
0	v({i})	v(∅)	Δ₁	1/|N|
1	v({i, j})	v({j})	Δ₂	1/(|N|·(|N|-1))
2	v({i, j, k})	v({j, k})	Δ₃	…
…	…	…	…	…

3. 加性特征归因——SHAP为什么好用？

SHAP把Shapley值直接嫁接到模型解释上，提出了一个“加性特征归因”框架。简单说，模型对某个样本的预测值，可以分解为：

预测值 = base_value + Σ shap_values_i

其中base_value是所有特征取平均时模型的预测（相当于“基准分”），每个shap_values_i就是特征i对该样本预测的贡献。这个分解形式跟线性回归一模一样，但SHAP能处理任何黑箱模型。

为什么强调“加性”？因为一旦分解成这个形式，你就可以直接相加减。方便做局部解释、全局特征重要性排序，还能做交互作用分析。我在做ADMET毒性预测时，用SHAP一眼看出某个分子片段（比如硝基）对肝毒性贡献特别大，而另一个片段（比如羧基）贡献为负——这直接指导了后续的分子优化。

你想想看，如果一个模型预测某个化合物毒性高，你不光知道结果，还知道是哪个结构片段导致的——这对药物化学家来说，简直是指路明灯。

4. 实战：用SHAP解释一个简单模型

光说不练假把式。下面是一个完整的Python示例，用SHAP解释一个随机森林回归模型（以波士顿房价数据为例，注意该数据已弃用，这里仅作演示）：

import shap
import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.datasets import load_boston

# 加载数据
data = load_boston()
X = pd.DataFrame(data.data, columns=data.feature_names)
y = data.target

# 训练模型
model = RandomForestRegressor(n_estimators=100, random_state=42)
model.fit(X, y)

# 创建SHAP解释器（TreeSHAP算法）
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X)

# 显示单个样本的解释
shap.initjs()
shap.force_plot(explainer.expected_value, shap_values[0,:], X.iloc[0,:])

运行这段代码，你会看到一个力场图（force plot）：底部是base_value，两侧是各个特征的推拉效果。红色代表正向推动，蓝色代表负向推动——非常直观。

5. 知识图谱：SHAP从博弈论到模型解释的完整路径

为了帮你理清思路，我画了一张流程图，把整个逻辑串起来：