文章

使用非线性模型进行数据探索和知识生成

根据速度、复杂性和其他考虑因素比较 SHAP 近似方法

将经过One-Hot 编码转换的分类特征的 SHAP 值相加

可解释模型更有可能公平的三个原因

如何利用有限的计算资源来处理大型数据集

超越 Python 包，创建 SHAP 值的定制可视化

本文中有多篇计划文章，后期会补充相关链接。鉴于公众号内无法后期修改文章，请关注原文链接。 > > 如何创建和解释 SHAP 图：瀑布图、力图、平均 SHAP 图、蜂群图和依赖图

使用SHAP Python包识别和可视化数据中的交互

为什么选择模型特征时预测能力并不是最重要的

使用部分依赖图 (PDP)、互信息和特征重要性分析非线性关系