mmschlk/shapiq

shapiq – 机器学习的Shapley交互量化

是什么 – shapiq 是一个Python库，扩展了流行的SHAP生态系统，提供Shapley交互值。经典SHAP为每个特征给出单一重要性分数（“主效应”），而shapiq还可以量化特征组如何协同或干扰彼此。在博弈论术语中，这些是高阶Shapley交互指数。

主要能力

任意阶交互估计 – 计算成对、三重等直到用户指定阶数（快速入门中默认最多4阶）的交互分数。该库提供了多种近似器，包括用于高维数据的稀疏“ProxySPEX”方法。
即插即用的SHAP兼容性 – 您可以请求经典Shapley值指数（"SV"），并获得与shap包完全相同的输出格式，使迁移变得轻松。
内置游戏与基准测试套件 – shapiq_games提供现成的“游戏”（例如，TabPFN、CatBoost、基于图像的游戏），shapiq_benchmark允许您在这些任务上比较算法。
可视化工具 – 针对主效应和交互的力导向图风格可视化，以及将特征显示为节点、交互强度显示为边的网络图。
模型无关 – 适用于任何将输入映射到预测的可调用对象（scikit-learn模型、PyTorch、CatBoost、TabPFN等）。

典型工作流程

加载数据并训练模型（例如，RandomForestRegressor）。
实例化Explainer（例如，TabularExplainer）并选择交互指数，如"k-SII"（k阶Shapley交互指数）和max_order。
调用explain(sample, budget=…) – budget控制近似器可以使用的模型评估次数。
检查返回的InteractionValues对象或调用其plot_*方法以生成力导向图或网络图。

为何重要 – 当模型捕捉非线性关系时（例如，位置和大小共同比各自单独更重要的房价模型），理解特征交互至关重要。shapiq为研究人员提供了一种基于博弈论的原则性方法，无需手动构建交互项即可揭示这些协同效应。

安装 – pip install shapiq（或uv add shapiq）。可选扩展shapiq[games]和shapiq[benchmark]会引入重型依赖，如torch、tabpfn、catboost等。

状态与社区 – 积极维护（支持Python 3.12-3.15，CI徽章，测试覆盖率）。欢迎贡献，作者为随附的NeurIPS 2024论文提供了引用。

以上所有细节均直接取自仓库的README。