---
title: "Shapley 加法解釋（SHAP (SHapley Additive exPlanations)）"
slug: shap-shapley-additive-explanations
language: zh-TW
source: https://aiterms.tw/terms/shap-shapley-additive-explanations
updated_at: 2026-06-22
tags: [可解釋AI, 特徵重要性, 賽局理論, Shapley值, 模型解釋]
ipas_term: false
---

# Shapley 加法解釋（SHAP (SHapley Additive exPlanations)）

基於賽局理論 Shapley 值，量化每個特徵對模型單一預測結果貢獻度的可解釋 AI 方法。

## 完整說明

SHAP（SHapley Additive exPlanations，Shapley 加法解釋）是一種以賽局理論中 Shapley 值為基礎的模型解釋框架，能夠為機器學習模型的每一次預測計算各個特徵的貢獻量（SHAP 值）。SHAP 具有一致性、局部準確性等數學公理支撐，適用於幾乎所有類型的 ML 模型，並提供從單一樣本到全局特徵重要性的多層次解釋，是可解釋 AI（XAI）領域的主流工具之一。

## 常見問題

### SHAP 值為正是好事還是壞事？

取決於你關注的是什麼。SHAP 值為正代表「這個特徵使模型的預測值相對於基準值升高」，為負代表「這個特徵使預測值降低」。好壞需要結合任務目標判斷：若正類（y=1）代表「患病」，某個特徵的 SHAP 值為正，表示該特徵增加了模型的患病預測概率。若你是患者，這可能是壞消息；若你是模型工程師在分析特徵方向是否合理，需要確認這個正方向是否符合醫學常識。

### 計算 SHAP 值很耗時嗎？可以在大規模生產環境使用嗎？

取決於模型類型和計算方法。若使用 TreeSHAP（針對樹模型的精確算法），計算速度相當快，通常可在毫秒到秒級完成單一樣本的解釋，可用於線上即時解釋。若使用 KernelSHAP（模型無關的近似方法），每個樣本的計算時間較長（可能需數十秒甚至更久），在大規模生產環境中通常需要非同步計算或預先批次計算。深度神經網路的 SHAP 計算也較慢。實務上，建議先評估目標環境的延遲要求，再選擇適合的計算策略。

### SHAP 能解釋特徵之間的交互效應嗎？

可以，這是 SHAP 相較於許多解釋方法的優勢之一。SHAP 互動值（SHAP Interaction Values）能將每個特徵的 SHAP 值進一步分解為「主效應」（該特徵單獨的貢獻）和「與每個其他特徵的互動效應」（兩個特徵聯合出現時的額外貢獻）。這讓分析人員可以識別哪些特徵對存在顯著的交互作用，例如「年齡」與「吸菸」在預測心臟病風險時可能有非線性的交互效應。TreeSHAP 支援高效的互動值計算，KernelSHAP 則不直接支援。

---

來源：https://aiterms.tw/terms/shap-shapley-additive-explanations
快查頁：https://aiterms.tw/terms/shap-shapley-additive-explanations
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-shap-shapley-additive-explanations