本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

常見問答集

有許多方法可以判斷此處未討論的功能重要性。為什麼沒有提及它們？

本指南著重於我們認為最有效且直接的模型可解釋性方法。其他方法在運算速度和簡易性方面具有優勢，而且視模型而定，可能是適當的。本文中的指引是規範性的，而不是規範性的。

建議方法的缺點是什麼？

SHAP 需要衍生自所有特徵組合加權平均值的屬性。以這種方式取得的屬性，在特徵之間有強烈互動時，在估算特徵重要性時可能會產生誤導。由於大型神經網路中存在大量維度，因此以整合式漸層為基礎的方法可能難以解譯。模型可以以非預期的方式使用功能來達到特定效能層級，而且這些功能可能因模型而異，因此功能重要性一律取決於模型。