SHAP 值似乎是相加的，例如整体特征重要性图只是将每个特征的绝对 SHAP 值相加并进行比较。这使我们能够使用 SHAP 来衡量全局重要性和局部重要性。我们还可以以相同的方式获得数据记录的特定子集的特征重要性。
出于同样的原因，获取变量集的聚合 SHAP 值是否有效？例如，将“身高”、“体重”和“眼睛颜色”放入“人体描述”中，或将“温度”、“湿度”和“气压”放入“天气”中，并相应地对它们进行排名。
从理论上讲，我不明白为什么不这样做，但如果出现任何问题，我将不胜感激。
包作者 Lundberg 表示：“简短的答案是肯定的，您可以将各列的 SHAP 值相加，以获得整组特征的重要性（只需确保您不要像我们在遍历特征时那样采用绝对值）全局特征重要性的行）。
长的答案是，当沙普利值“公平”地为特征之间的交互效果分配信用时，他们假设交互效果中的每个特征都应该获得相同的交互信用。这意味着，对于高阶交互项，在对特征进行分组之前（和求和）与之后运行 Shapley 值时，您可能会得到略有不同的结果（因为新组只能获得交互饼图的一大块，而不是多个块）当它有几个功能时）。不过，这些差异通常很小，所以我不会太担心，因为这两种方式都是合理的。”