醉了... 数学符号geng多的是一个图形化的说明， 而不是一个数学的说明

礼貌吗？ 本文对博弈论零基础者完全友好，笔者将深入浅出地解释Zui基本的概念，着重介绍夏普利值以及它是如何通过运用Python中的SHAP库解读机器学习模型...

有一些方法Ke以使计算geng加实际可行，在 中我提到了 SHAP 框架，它的主要优点是当将 Shapley 值应用于机器学习时它Neng够geng有效地计算 Shapley 值。

什么是Shapley值？

如何计算 Shapley 值?大多数时候， 你倾向于在文献中kan到这个等式：，正宗。

Zui困难的是我们有好几个因素dou会影响团队Ke以生产的砖块数量，坦白说...。

我第一次听说 Shapley 值是在学习模型可解释性的时候。订阅专栏本文深入探讨了Shapley值的概念及其在机器学习中的应用， Shapley值，以及其在公平分配奖励中的作用。

Shapley值的应用场景

我们把它和我们的例子联系起来 想kankanRu果我们把 D 加到 个子集中的每一个子集上，每周生产的砖块数量有什么不同。我们Ke以将这 个边缘值直观地表示为：，引起舒适。

- weighted-voting-games 和 shapley-value 是Shapley库的核心概念， 拖进度。 即的准确性是至关重要的。

再说说 shapley-master 这个压缩包子文件的文件名称列表暗示了这是一个版本控制仓库的主分支，加油！。

我CPU干烧了。 它计算出除玩家 i 以外的所有剩余团队成员的子集的排列Ke以有多少个。或者换句话说：Ru果你有| N |- 个玩家，你Neng用它们组成多少个| S |大小的组?然后我们用这个数字除以玩家 i 对所有大小为| S |的群体的边际贡献。

Shapley值在机器学习中的应用

求得每一维特征的shapley value值， 值越大对目标函数的影响越正向，值越小对目标函数的影响越负向。但，等等，还有一个问题，设想一下当你的模型用于医疗领域，你用了一个极深的。

Shapley value起源于博弈论:n个人合作， 操作一波。 创造了v的价值，如何对所创造的价值进行分配。

可解释机器学习是当前人工智Neng和机器学习领域中的一个重要研究方向，它主要关注机器学习模型的解释性和透明度。shapley:一种数据驱动的方法来量化机器学习集合中分类器的值。

Shapley值的计算方法

好了 不开玩笑，作者想说的是hen多时候多个主体 一句话概括... 分别产生的影响和共同产生的影响是不具备严格加性的。

我们现在终于Ke以计算出 D 的 Shapley 值了我们观察到他对团队中所有不同的子集的贡献是多少。我们还对团队成员组成和团队规模的影响进行了平均， 这到头来允许我们计算：

盘它。 成dou网站建设公司_创新互联，为您提供网站导航、微信小程序、Zuo网站、移动网站建设、网站制作、静态网站

好吧，我们现在Yi经知道我们需要计算 个不同的边缘值。Shapley 值方程告诉我们，我们需要把它们加在一起。只是 在我们Zuo这些之前，我们还需要调整每一个边际值，从等式的这一部分Ke以kan出：

| N |- ，也就是说当我们计算 D 的 Shapley 值时这些是剩下的团队成员数量。在我们的例子中， 我们将使用等式的那一部分来计算我们Ke以形成多少个 、 、 和 大小的组，主要原因是这些只是我们Ke以用剩下的成员构造的组大小。 归根结底。 所以呢，比方说Ru果有| S |= ，那么我们Ke以构造 个不同的大小为 的组：AB、BC 和 CA。这意味着我们应该对 个边缘值中的每一个应用以下比例因子：

是个狼人。 计算每个特征的Shapley值并将其与特征值相乘得到该特征对于预测后来啊的贡献。SHAP是一种用于解释机器学习模型预测后来啊的方法， 它后来啊分解为每个特征的影响为模型提供全局和局部的可解释性。

当一个「旧」概念被应用到另一个领域， 如机器学习，关于它是如何获得新的应用是非常有趣的。在机器学习中，参与者是你输入的特征，而集体支出是模型预测。在这种情况中，Shapley 值用于计算每个单独的特征对模型输出的贡献。

Zui困难的是我们有好几个因素dou会影响团队Ke以生产的砖块数量。其中之一是团队规模，主要原因是团队规模越大，生产的砖块就越多。另一个可Neng是团队成员之间的合作程度。问题是 我们无法以有意义的方式量化这些影响，但幸运的是我们Ke以使用 Shapley 值来回避这个问题，共勉。。

所以 D 是我们的球员 i， 整个 N 组由所有四个队员 A，B，C 和 D 组成，我们先kan一下 Shapley 值公式的这一部分：

分享机器学习中的 Shapley 值怎么理解？ 这是可以说的吗？ 文章出自：https://www.cdcxhl.com/news/.html

也就是说我们需要把我们的团队成员排除在我们现在关注的人之外。然后我们需要考虑所有可Neng形成的子集。所以Ru果我们从组中排除 D，我们就只剩下 {A，B，C}。从这个剩余的组中， 我们Ke以形成以下子集：，你没事吧？

基本上... 这种方法Ke以用于机器学习模型，包括分类和回归模型Ke以生成图像化和定量的解释后来啊，帮助用户解释模型的决策过程。

薅羊毛。 SHAP是一种用于解释机器学习模型预测后来啊的方法， 它后来啊分解为每个特征的影响为模型提供全局和局部的可解释性。

假设我们经营一家生产砖块的工厂。我们的一个生产团队由四个人组成：Amanda、Ben、Claire 和 Don。每周他们一起设法生产出 X 块砖。由于我们工厂运转良好，我们有一笔奖金要发给队员们。但是为了让我们以公平的方式Zuo到这一点，我们需要弄清楚每个人对每周生产 X 数量的砖块贡献了多少，性价比超高。。

订阅专栏本文详细介绍了Shapley值的概念、计算方法及其在深度学习模型解释中的应用，整起来。。

乍一kan，这个公式似乎并没有变容易，但请不要着急。hen快， 我将分解方程的不同部分，以便理解它们，但我们也Ke以定义一个具体的场景，我们Ke以使用它来让所有部分dou不那么抽象，我悟了。。

在这里我们得到了 D 的 Shapley 值。在我们为团队的其他成员完成这项工作之后 我们将知道每个人对每周生产的 X 块砖的贡献，这样我们就Ke以在所有团队成员中公平地分配奖金，妥妥的！。

这是我们 Shapley 值的一个基本概念的应用：在游戏中增加玩家 i 的边际价值。所以对于任何给定的子集，我们要比较它的值和当包括玩家 i 的时候它的值。 别犹豫... 通过这样Zuo，我们得到了将玩家 i 添加到该子集的边际值。

我懵了。 你Ke以将每种情况dou视为我们需要观察的不同场景，以便公平地评估 D 对整个生产的贡献程度。这意味着，我们需要观察Ru果没有人工作会产生多少砖块，并将其与只有 D 工作时的情况进行比较。我们还需要观察 AB 产生的砖块数量，并将其与 AB 产生的砖块数量以及所有 个集合中 D Ke以产生的砖块数量进行比较。

我们需要应用到所有的边际值，然后才Neng求和。我们必须把它们和总队员数分开。

在这一点上，我希望你对 Shapley 的价值观有了geng好的理解。hen酷的是 我们不需要知道任何关于值函数 v 内部工作原理， CPU你。 只需要观察它为不同子集提供的值，我们Ke以从参与游戏的玩家中得到这些值。

乱弹琴。 让我们思考一下为什么要这样Zuo。我们想知道 D 对团队总产出的贡献有多大。为了Zuo到这一点，我们计算了他对我们所Neng形成的团队中每个集合的贡献。通过添加这个比例因子，我们平均了其他团队成员对每个子集大小的影响。这意味着，当我们将 D 加入到一个 、 和 大小的团队中时我们Neng够捕获这些团队的平均边际贡献。

我们总共Ke以构造出其余团队成员的 个不同子集。其中一个子集是空集， 说实话... 即它没有任何成员。现在让我们把注意力转移到这个部分：

精辟。 这才是 Shapley 值背后真正的力量和吸引力。只是这是有代价的。对于一组参与游戏的 n 个玩家，你将需要分析 ^n 个子集才Neng计算 Shapley 值。

我第一次听说 Shapley 值是在学习模型可解释性的时候。我知道了 SHAP，它是一个框架，Ke以geng好地理解为什么机器学习模型会那样运行。 百感交集。 事实证明， Shapley 值Yi经存在了一段时间，它们Zui早起源于 年的博弈论领域，目的是解决以下情况：

我们现在Yi经定义了我们的玩家以及他们参与的游戏。让我们从计算生产的 X 砖中有多少Ke以归于 Don 开始， 我给跪了。 即计算 D 的 Shapley 值。Ru果我们把它与 Shapley 值公式的参数联系起来 我们就得到：

这种特定方法的优点在于，我们Ke以kan到特征如何影响单个预测， 别担心... 而不仅仅是对数据集中所有示例的平均影响。

换个赛道。 Zui困难的是 我们有好几个因素dou会影响团队Ke以生产的砖块数量.Shapley值源于博弈论，用于公平分配奖励，在机器学习中可计算特征对模型输出的贡献。当一个「旧」概念被应用到另一个领域， 如机器学习关于它是如何获得新的应用是非常有趣的。

好了 我们差不多结束了我们只有 Shapley 值方程的再说说一部分要分解，这一点也应该hen容易理解。

我无法认同... 我们为什么要这么Zuo?好吧， Ru果我们kankan砖厂的例子，我们Yi经平均出了其他团队成员对每个子集大小的影响，这样我们就Ke以算出 D 对 、 和 大小的组的贡献。再说说一块拼图是平均小组规模的影响，也就是说D 贡献了多少与小组规模无关。