4. SHAP 计算方式：KernelSHAP、TreeSHAP、DeepSHAP、LinearSHAP 原理对比

SHAP 的核心思想是将模型的预测值解释为每个输入特征的 Shapley 值的加和。然而，精确计算 Shapley 值是 NP 难问题，因此针对不同模型类型，学术界提出了多种近似算法。本章将深入对比四种主流 SHAP 计算方式：KernelSHAP、TreeSHAP、DeepSHAP 和 LinearSHAP，帮助你在实际项目中做出正确的算法选择。

4.1 四种算法的核心原理

下表从适用模型、计算策略、时间复杂度和核心假设四个维度，对四种算法进行横向对比：

4.2 KernelSHAP：黑箱模型的通用解法

KernelSHAP 是 SHAP 框架中最通用的方法，它将 Shapley 值的计算转化为一个加权线性回归问题。其核心思想是：通过采样特征子集，拟合一个局部解释模型，使得该模型的系数恰好等于 Shapley 值。

计算步骤：

1. 采样特征子集：从 M 个特征中随机采样子集 S，每个样本对应一个二进制掩码 z' ∈ {0,1}^M。
2. 计算预测值：对每个掩码 z'，通过条件期望 E[f(x) | x_S] 得到模型在该子集下的预测值。
3. 加权回归：使用 SHAP 核函数 π_x(z') 对样本加权，拟合线性模型 g(z') = φ₀ + Σ φᵢ z'ᵢ。
4. 提取系数：回归系数 φᵢ 即为特征 i 的 Shapley 值。

优缺点：

• 优点：模型无关，适用于任何黑箱模型；理论保证收敛到真实 Shapley 值。
• 缺点：计算开销极大，需要大量采样才能收敛；特征数 M > 10 时，采样效率急剧下降。

4.3 TreeSHAP：树模型的高效专用算法

TreeSHAP 由 Lundberg 等人在 2020 年提出，专门针对树模型（决策树、随机森林、梯度提升树）进行了优化。它利用树结构的递归分裂路径，避免了 KernelSHAP 中昂贵的特征子集枚举。

核心创新：

• 路径跟踪：对每个预测样本，TreeSHAP 沿着决策树的分支路径，记录每个节点分裂时特征对预测值的贡献。
• 条件期望快速计算：利用树中每个节点的样本分布，直接计算 E[f(x) | x_S]，无需蒙特卡洛采样。
• 多项式复杂度：时间复杂度为 O(TLD²)，其中 T 为树数量，L 为叶子节点数，D 为最大深度。

代码示例（使用 shap 库）：

import shap
import xgboost as xgb

# 训练 XGBoost 模型
model = xgb.XGBRegressor().fit(X_train, y_train)

# 创建 TreeSHAP 解释器
explainer = shap.TreeExplainer(model)

# 计算 Shapley 值
shap_values = explainer.shap_values(X_test)

# 输出第一个样本的解释
print(shap_values[0])

4.4 DeepSHAP：深度学习模型的梯度近似

DeepSHAP 结合了 DeepLIFT 和 SHAP 的理论框架，专门用于深度神经网络。它通过反向传播的方式，将输出层的贡献逐层分配到输入特征上。

工作原理：

• 层间线性近似：对每个非线性激活函数（如 ReLU、Sigmoid），DeepSHAP 使用 DeepLIFT 的“rescale”规则进行局部线性化。
• 反向传播贡献：从输出层开始，将预测偏差逐层向后传播，最终得到输入特征的 Shapley 值近似。
• 参考值选择：需要设定一个参考输入（如全零向量或背景样本均值），用于计算特征贡献的基准。

与 KernelSHAP 的对比：

4.5 LinearSHAP：线性模型的解析解

当模型为线性模型时，Shapley 值存在闭式解析解，无需任何采样或近似。LinearSHAP 直接利用线性模型的系数和特征协方差矩阵计算 Shapley 值。

数学公式：

对于线性模型 f(x) = β₀ + Σ βᵢ xᵢ，特征 i 的 Shapley 值为：

φᵢ = βᵢ · (xᵢ - E[xᵢ])

其中 E[xᵢ] 是特征 i 在所有样本上的均值。如果特征之间存在相关性，则需要引入协方差矩阵进行校正：

φᵢ = Σⱼ βⱼ · (Σ_{x})_{i,j} · (xⱼ - E[xⱼ])

其中 Σ_x 是特征协方差矩阵。

4.6 四种算法的选择决策流程

下面的 SVG 流程图展示了在实际项目中如何根据模型类型和数据规模选择最合适的 SHAP 计算方式：

4.7 算法对比总结

下表从计算效率、解释精度、实现复杂度和适用场景四个维度，给出最终对比结论：