用途：在组学分类器中解释特征归因，回答“模型实际依赖哪些基因”。参考示例基于 numpy 1.26+、pandas 2.2+、scikit-learn 1.4+、shap 0.44+、lime 0.2+，使用前需核对已安装版本。
主要能力：树模型可用 shap.TreeExplainer(model, data=background, feature_perturbation='interventional')；模型无关局部解释可用 lime.lime_tabular.LimeTabularExplainer；模型依赖筛选可用 sklearn.inspection.permutation_importance。核心观点：归因描述的是模型而非生物学，高 SHAP 基因可能只是批次或文库信号的相关物；相关基因模块内排序不构成发现。
使用方式：干预式（需约 100–1000 行 background 样本）让模型未用特征得零分，适合回答“模型用了什么”；条件式（tree_path_dependent，无需 background）适合描述性问题，但不能称为模型依赖。排名前先按共表达模块聚合 |SHAP|。LIME 需固定 random_state，仅用于单个预测，不做全局排名。置换重要性在相关特征下会稀释信号，应先在聚类内保留一个特征，或使用 Strobl 条件置换；评估须在留出数据上。
限制：归因非因果、非有效生物标志物，top-k SHAP 选择无 FDR 与验证；背景/基线选择会改变所有归因；interventional 会外推、条件式会相关泄漏，两者不可兼得；LIME/KernelSHAP 对扰动与种子不稳定。高利害决策宜用本身可解释的稀疏线性或规则模型。版本上：Explanation 绘图 API 约 0.36 引入，feature_perturbation 的 'auto' 默认在 0.47 会随 data= 是否提供而静默改变估计对象，应显式设置。