Вступление Сложные алгоритмы машинного обучения, такие как XGBoost, становятся все более популярными для задач прогнозирования. Традиционно существует компромисс между интерпретацией и точностью, и простые модели, такие как линейная регрессия, иногда предпочтительнее ради прозрачности и интерпретируемости. Но SHAP (или добавочные значения Шепли) - один из многих подходов, которые меняют эту тенденцию, и мы постепенно движемся к моделям, которые являются сложными, точными и..