我有一个模型，我想通过使用特征贡献来获得它的可解释性。最后，我希望每个特征都有一些贡献，使得贡献的总和等于模型的预测。

一种方法可能是使用 shapley 值。shapley 值及其在shappython 库中的实现的问题在于它还派生了 and expected_value，我将其称为$E$. 为了获得模型的预测，必须将所有 shapley 值相加，并$E$. 有没有一种方法可以在不需要$E$?

---

我的解决方案

我已经得出了一个解决方案，但我不确定它是否有意义。假设我有功能$x_1, \dots, x_n$ 具有 shapley 值 $\phi_1, \dots, \phi_n$ 对于模型 $f$. 然后，我有

$$f(x) = \phi_1 + \dots + \phi_n + E \Rightarrow f(x) = (1 + \frac{E}{\sum \phi_i})(\phi_1 + \dots + \phi_n)$$

（通过使用一个简单的数学技巧）。然后，我声称我有 shapley 价值观，$\hat{\phi_1}, \dots, \hat{\phi_n}$ 在哪里

$$\hat{\phi_j}=(1 + \frac{E}{\sum \phi_i})\phi_j$$

这些值适用于

$$f(x) = \hat{\phi_1} + \dots + \hat{\phi_n}$$ 但是，称它们为沙普利值有意义吗？

任何批评都非常受欢迎。