У контексті прогнозування машинного навчання значення Шеплі функції для точки запиту пояснює внесок функції в прогноз (відповідь для регресії або бал кожного класу для класифікації) у вказаній точці запиту.
По суті, це значення Шеплі середній граничний внесок функції з урахуванням усіх можливих комбінацій. Основна перевага значення Шеплі полягає в тому, що воно забезпечує справедливий внесок функцій із математично підтвердженою теорією та властивостями її механізму.
Інтерпретація значення Шеплі для значення ознаки j є такою: значення j-ї ознаки внесло ϕj у прогноз цього конкретного екземпляра порівняно із середнім прогнозом для набору даних. Значення Шеплі працює як для класифікації (якщо ми маємо справу з ймовірностями), так і для регресії.
Концепція цінності Шеплі була запропонована Шеплі з використанням аксіоматичного підходу в 1953 році як частина його докторської дисертації в Прінстонському університеті. Для гри в коаліційній формі (N,v) значення Шеплі позначається φ(v) = (φ1(v),…,φn(v)) де φi(v) — очікуваний виграш гравцеві i.
Щоб обчислити значення Шеплі, вам потрібно перенавчити модель машинного навчання 2F рази (де F — кількість функцій). SHAP дозволяє уникнути цього, використовуючи методи апроксимації, що робить його життєздатним для програм, де отримання значень Шеплі було б обчислювально неможливим.
Якщо є гравці з правом вето, ядро складається з усіх векторів payofi, у яких гравці без права вето отримують 0. Кожна опукла гра має непорожнє ядро. У кожній опуклій грі в основі лежить значення Шеплі.