用途：该技能提供 SHAP（基于合作博弈论 Shapley 值）的模型可解释性指导，适用于解释模型特征重要性、单条预测原因、模型调试与验证、公平性与偏差分析，以及在生产中实现可解释 AI。
主要能力：为树模型（XGBoost、LightGBM、CatBoost、随机森林）用 TreeExplainer，深度模型用 DeepExplainer 或 GradientExplainer，线性模型用 LinearExplainer，黑盒模型用 KernelExplainer，不确定时用 shap.Explainer 自动选择。计算得到 Explanation 对象，含 values（特征归因）、base_values（基线）、data（原始特征值）。绘图包括全局的 beeswarm、bar，单样本的 waterfall、force，特征关系的 scatter，以及 heatmap 等。
使用方式：安装需 shap >= 0.41（现代 API 与 shap.plots.* 命名空间所需）。在 uv 项目中执行 uv add "shap>=0.41" matplotlib；临时运行可用 uv run --with "shap>=0.41" --with matplotlib python explain.py。matplotlib 为可选绘图依赖，需显式安装。典型流程：选择解释器→计算 shap_values = explainer(X_test)→用 shap.plots.beeswarm、shap.plots.bar、shap.plots.waterfall、shap.plots.scatter 等可视化。生产环境可用 joblib 持久化解释器并缓存。
适用场景：基本模型解释、模型调试、特征工程、模型对比、公平性分析、生产部署、时序与 MLOps 集成。
限制与注意：SHAP 反映关联而非因果；需注意模型输出单位（概率、log-odds、原始输出）；KernelExplainer 较慢，仅在必要时使用；背景数据建议 50 至 1000 个代表性样本；大数据集可分批或抽样；高特征重要性可能提示数据泄漏。
分类依据：依据模型可解释性与分析用途，归入 data（数据与分析）。