用途：用合作博弈论的 Shapley 值解释机器学习模型预测，量化每个特征对单条预测（局部）和整体数据集（全局）的贡献，具备可加性与一致性保证，可用于调试模型、排查数据泄漏、做公平性分析与特征重要性比较。
主要能力：按模型类型选择解释器——TreeExplainer（树模型，快且精确）、LinearExplainer（线性模型，即时精确）、DeepExplainer/GradientExplainer（深度学习，近似）、KernelExplainer/PermutationExplainer（任意黑盒，较慢）、shap.Explainer（自动选择）。计算返回 Explanation 对象，含 .values、.base_values、.data，满足 prediction = base_value + sum(SHAP values)。可视化包括 beeswarm、bar（全局重要性）、waterfall、force（单条预测）、scatter、heatmap、decision 等。TreeExplainer 还支持交互值。注意模型输出类型：树分类器默认 log-odds，可用 model_output="probability"。
用法：安装 pip install shap matplotlib，可选 xgboost lightgbm tensorflow torch。典型流程为选解释器 → explainer(X_test) → 可视化，如 shap.TreeExplainer(model) 后调用 shap.plots.beeswarm / waterfall。关键参数包括 feature_perturbation、model_output、nsamples、max_display。背景数据建议 100-500 个代表性样本，可用 shap.kmeans(X, 50)。
适用场景：树模型解释（优于置换重要性/Gini）、表格与结构化数据、模型调试、公平性分析、生产缓存（joblib）与 MLflow 集成。
限制：SHAP 反映关联而非因果；相关特征会分摊重要性，需用 interventional 或特征聚类；KernelExplainer 较慢且有采样方差；DeepExplainer 需足够背景数据；图片任务可考虑 GradCAM。部分详细参考文档（explainers.md、plots.md、workflows.md）未迁移，仅内联覆盖核心内容。