Некоторые преимущества использования shapiq для объяснения модели XGBoost:

• Объяснение и визуализация взаимодействия признаков любого порядка в предсказаниях модели. 1 Это позволяет глубже понять, как признаки влияют на прогнозы. 2
• Агностичность к модели. 2 shapiq можно применять к любой модели, что делает его универсальным для различных задач машинного обучения. 2
• Наличие бенчмаркинга. 1 Пакет включает набор для оценки вычислительной производительности в разных доменах, который содержит 11 приложений машинного обучения с предварительно вычисленными играми и истинными значениями. 1
• Наличие твёрдой математической базы. 3 У метода SHAP, который лежит в основе shapiq, есть аксиомы и доказательства. 3