近年来，可解释人工智能（XAI）迅速发展，关注模型对数据的解释。本文提出了一种模型不可知的方法——SHapley Additive exPlanations（Shap），通过系统扰动分析生成特征重要性，并对特征重要性方法进行分类，以量化模型解释的一致性和相似性。

近年来，面向可解释人工智能（XAI）的研究受到关注。尽管复杂的机器学习模型在智能任务中表现优异，但对模型如何解释数据的关注日益增加。为了解决XAI与建模技术之间的矛盾，我们提出了SHapley Additive exPlanations（Shap）方法，通过系统扰动分析生成特征重要性，并量化解释质量的一致性。