SHAP (SHapley Additive exPlanations)

SHAP est une méthode d'explication de modèle, introduite par Scott Lundberg et Su-In Lee en 2017, qui utilise les valeurs de Shapley de la théorie des jeux coopératifs pour mesurer la contribution de chaque variable à une prédiction individuelle, rendant ainsi interprétable la sortie des modèles d'apprentissage automatique boîte noire. Elle prend en charge les explications globales (importance globale des variables) et les explications locales (pourquoi une prédiction spécifique a donné le résultat qu'elle a donné).