我认为第二篇文章中出现的决策树只是说明了应用 shap 的 xgboost 模型。

我建议你阅读 Christoph Molnar 关于可解释性的教程，尤其是关于Shapley和shap算法的章节。

第一项（匀称）通过尝试所有特征与输入值（向量）的组合（“联盟”）来帮助分解每个特征对预测输出的影响。这样，该方法允许解构模型的输出是如何由每个输入特征值构建的。这种方法将特征视为他们的不同策略影响最终预测的参与者，它起源于博弈论领域。

第二个术语，SHAP，基本上是计算相同的形状值，其中对第一个中处理不好的缺失值进行了一些扩展，并改进了通过速度估计形状值本身的算法（近似它们的内核函数）和近似值的质量（组合组合的加权方法）。

除了算法差异之外，我认为 shap 方法也是使用 Shapley 算法来解释 ML（基于树）模型的方法，主要是利用它们的可加性属性将预测描述为总和的分解的特征贡献。