Shapley值是合作博弈論中的一個重要概念，由Lloyd Shapley於1953年提出，用來公平分配合作中各參與者所帶來的貢獻。在機器學習領域，Shapley值被用來說明每個特徵對模型預測結果的貢獻。
具體來說：• 將所有特徵視為合作遊戲中的「玩家」。
• 將模型的預測結果視為「報酬」。
• Shapley值計算每個特徵在所有可能的特徵子集合中，對預測結果增加的邊際貢獻值的加權平均。
• 這種計算方式確保了公平性和一致性，也符合效率、對稱性、空值和可加性等數學性質。
換句話說，Shapley值就是將特徵在所有可能出現順序中所做出的貢獻進行平均，從而公平衡量特徵的重要性。
在實務上，因為所有特徵子集的數量隨特徵數目指數增長，直接計算Shapley值計算量大。因此，像SHAP這樣的方法就會用有效演算法或近似方法來估計Shapley值，以利於模型解釋。
總結：Shapley值提供了一個理論嚴謹、數學公正的方法來評估每個特徵對機器學習模型預測結果的貢獻，是許多可解釋AI技術（像SHAP）的數學基礎，能大幅提升模型的透明度和可解釋性。
