如何使用 SHAP 库计算经典合作博弈中的 Shapley 值-Python教程-PHP中文网

如何使用 SHAP 库计算经典合作博弈中的 Shapley 值

SHAP 库虽为解释机器学习模型而设计，但其 KernelExplainer 可直接适配任意合作博弈的价值函数，无需 ML 模型即可高效计算标准 Shapley 值。本文详解如何将玩家集合与自定义特征值函数（coalition-to-value mapping）接入 SHAP，实现理论一致、数值精确的求解。

shap 库虽为解释机器学习模型而设计，但其 `kernelexplainer` 可直接适配任意合作博弈的价值函数，无需 ml 模型即可高效计算标准 shapley 值。本文详解如何将玩家集合与自定义特征值函数（coalition-to-value mapping）接入 shap，实现理论一致、数值精确的求解。

在经典合作博弈论中，Shapley 值用于公平分配联盟总收益至各参与者，其严格定义依赖于所有可能子集（即 2^N 种 coalition）的边际贡献加权平均。手动实现易出错且时间复杂度为 O(N·2^N)，而 SHAP 的 KernelExplainer 正是基于此数学原理构建——它不依赖预测模型，仅需一个可调用的“价值函数”（即 coalition → payoff 映射）和一组基准 coalition 样本，即可通过加权最小二乘法精确求解 Shapley 向量。

关键在于正确构造输入接口：

Coalition 表示：每个 coalition 用长度为 N 的二进制向量表示（如 (1,0,1) 表示玩家 0 和 2 加入，玩家 1 不加入）；
Value function 封装：需包装为接受 np.ndarray（形状为 (m, N)）并返回 np.ndarray（长度为 m）的函数；
Baseline：KernelExplainer 的第二个参数应传入一个包含所有 2^N 个 coalition 的全集（或其代表性子集），作为 Shapley 权重计算的基础支撑点。

以下为完整可运行示例（以 3 名玩家为例）：

from shap import KernelExplainer
import numpy as np

# 定义合作博弈的价值函数：coalition → payoff
# 键为 tuple 形式的二进制 coalition，值为对应联盟产出
coalition2outcome = {
    (0, 0, 0): 0.0,   # 空联盟
    (1, 0, 0): 1.5,   # 仅玩家0
    (0, 1, 0): 2.0,   # 仅玩家1
    (0, 0, 1): 1.0,   # 仅玩家2
    (1, 1, 0): 4.2,   # 玩家0+1
    (0, 1, 1): 3.8,   # 玩家1+2
    (1, 0, 1): 2.7,   # 玩家0+2
    (1, 1, 1): 6.5    # 全员联盟
}

# 转换为 NumPy 数组格式
coalitions = np.array(list(coalition2outcome.keys()))
outcomes = np.array(list(coalition2outcome.values()))

# 封装价值函数：支持批量输入
def v_func(coalitions_batch):
    return np.array([
        coalition2outcome[tuple(coal.astype(int))]
        for coal in coalitions_batch
    ])

# 初始化解释器（注意：此处 baseline 使用全部 coalition，确保精确解）
explainer = KernelExplainer(v_func, coalitions)

# 计算 Shapley 值 —— 对每个 coalition 输入，返回其各玩家的 Shapley 贡献
# 通常我们关心对“全员联盟”的分解，故传入全 1 向量
shap_values_full = explainer.shap_values(np.ones((1, 3)))  # shape: (1, 3)
print("Shapley values (φ₀, φ₁, φ₂):", shap_values_full[0])

✅ 注意事项与最佳实践：

理论一致性保障：KernelExplainer 在输入包含全部 2^N 个 coalition 且权重按 Shapley 核心公式设置时，其解严格等价于解析 Shapley 公式，已在 SHAP 官方 Notebook 中验证；
效率提示：当 N > 20 时，枚举全部 coalition 不现实，此时可改用采样策略（如 nsamples 参数控制近似精度），但会引入统计误差；
结果解读：输出 shap_values 是相对于空联盟（zero vector）的增量贡献，满足效率性（∑φᵢ = v(N) − v(∅)）与对称性等公理；
替代方案：若仅需小规模精确解，亦可直接调用 shap.utils._approximate_shapley 或参考 shap.kmeans 中的底层实现逻辑进行轻量封装。