用途：SHAP 是一项模型可解释性技能，用 Shapley 值解释机器学习模型的输出，帮助理解特征对预测的贡献。
主要能力：可计算任意模型类型的 SHAP 值，生成瀑布图、蜂群图、条形图、散点图、力图、热力图等可视化；支持全局特征重要性与单个预测解释；可用于模型调试、特征工程、模型对比与公平性/偏差分析，并集成到生产环境。支持树模型（XGBoost、LightGBM、CatBoost、随机森林）、深度学习（TensorFlow、PyTorch、Keras）、线性模型和黑盒模型。
使用方式：按模型类型选择解释器，如树模型用 shap.TreeExplainer，深度学习用 shap.DeepExplainer 或 shap.GradientExplainer，线性模型用 shap.LinearExplainer，其它用 shap.KernelExplainer，不确定时用 shap.Explainer。计算示例：explainer = shap.TreeExplainer(model)；shap_values = explainer(X_test)。可视化示例：shap.plots.beeswarm(shap_values)、shap.plots.bar(shap_values)、shap.plots.waterfall(shap_values[0])、shap.plots.scatter(shap_values[:, "Feature_Name"])。
适用场景：需要解释特征重要性、解释单条预测原因、调试模型、检查偏差、比较模型或部署可解释 AI 时使用。
限制：KernelExplainer 与 PermutationExplainer 较慢，大数据集应采样或分批；背景数据建议 50-1000 个代表性样本；需注意模型输出单位（概率、对数几率或原始输出）；SHAP 展示的是关联而非因果。具体费用、价格与平台信息暂未提供。