mmschlk/shapiq

解决的问题

shapiq 旨在通过量化不同输入特征之间的协同作用，为机器学习模型预测提供更全面的视角。传统的 Shapley 值（如 shap 包中的）侧重于单个特征的归因，而 shapiq 通过计算任意阶 Shapley 相互作用，使用户能够看到特征如何协同影响预测结果。

工作原理

该库实现了博弈论算法，用于近似任意阶 Shapley 相互作用。它提供了适用于标准模型的 TabularExplainer，以及针对 TabPFN 模型的专用 TabPFNExplainer，采用“移除并重新语境化”范式。对于具有大量特征的大规模数据集，还包含 ProxySPEX（Proxy SParse EXplainer）近似器，以保持高效性。

适用人群

专为从事博弈论研究的机器学习研究人员，以及需要解释模型预测内部逻辑的终端用户而设计。

主要亮点

• 任意阶相互作用：计算超出简单一阶归因的交互值。
• 与 SHAP 集成：可计算标准 Shapley 值（SV），并过渡到交互值（k-SII）。
• 专用解释器：包含对 TabPFN 的专门支持。
• 可视化工具：提供网络图以可视化特征交互强度，以及用于归因的力图。
• 基准测试：包含用于在机器学习中基准测试博弈论算法的工具。