用途：SHAP 用于解释机器学习模型的预测，基于 Shapley 值计算特征重要性与归因，回答“模型为何做出该预测”。可用于调试模型行为、验证预测、分析公平性与偏差。
主要能力：支持多种解释器——树模型用 shap.TreeExplainer（快速且精确），深度学习用 shap.DeepExplainer，线性模型用 shap.LinearExplainer，通用模型用 shap.KernelExplainer，也可用 shap.Explainer 自动选择。计算后可通过 shap_values.values、base_values、data 访问归因值、基线与原始特征值。可视化包括全局重要性的 beeswarm 与 bar，单样本解释的 waterfall 与 force，特征关系的 scatter（可加交互着色），以及多样本 heatmap。
使用方式：先训练模型，再创建解释器并计算，例如 explainer = shap.TreeExplainer(model)；shap_values = explainer(X_test)；随后调用 shap.plots.beeswarm(shap_values) 等绘图。可比较不同群体的重要性，或对误分类样本用 waterfall 排查原因。
解读：正 SHAP 值表示该特征推高预测，负值表示拉低，绝对值代表影响强度，所有 SHAP 值之和等于预测值减基线。
最佳实践：树模型优先用 TreeExplainer；KernelExplainer 建议使用 100–1000 个背景样本；先看全局（beeswarm）再看局部（waterfall）；注意模型输出类型（概率还是对数几率）；结合领域知识验证。
限制：资料未提供具体收费、平台支持范围与性能基准，暂未提供。文档见 https://shap.readthedocs.io/，论文为 Lundberg & Lee (2017)。