shapiq：机器学习模型的交互特征解释工具

shapiq是一个用于计算任意阶Shapley交互值的Python包，扩展了传统SHAP方法，能够量化和可视化特征间的协同效应，帮助理解模型预测中的复杂交互关系。它填补了机器学习解释工具领域的空白，从单特征贡献分析深化到特征组合的协同作用研究，适用于医疗诊断、金融风控等高风险决策场景。

在机器学习模型解释领域，SHAP已成为标准工具，但传统SHAP主要关注单个特征的主效应，忽略了特征间的交互作用。实际场景中，特征组合的协同效应往往更能解释模型决策逻辑。shapiq项目为解决这一局限而生，扩展SHAP能力以支持任意阶Shapley交互值计算。

Shapley交互值是博弈论中Shapley值的扩展。特征视为博弈玩家，模型预测为收益。传统Shapley值计算单个特征边际贡献，而Shapley交互值量化特征组合（2阶及以上）的协同效应。例如房价预测中，"卧室数量"与"房屋面积"的正向交互会使价值提升超过单独贡献之和，shapiq通过k-SII等指数量化此类关系。

shapiq提供多层次功能：终端用户可通过shapiq.Explainer简洁API计算可视化交互值；研究人员可利用approximator和games模块开发新方法。支持多种指数（k-SII、FBII、FSII），用户可指定交互阶数（2阶及以上）。

使用流程：准备训练模型与参考数据集→创建Explainer（指定指数类型和最大阶数）→调用explain获取InteractionValues结果。可视化方式包括力导向图（展示单个预测的特征及交互作用）、网络图（呈现二阶交互强度拓扑）。解读时正值为正向协同，负值为抑制效应。

针对高维场景，shapiq提供ProxySPEX近似器，通过稀疏近似降低计算复杂度；支持TabPFN模型解释，提供TabPFNExplainer采用"移除-再语境化"范式计算Faithful Shapley值，体现对前沿模型的适应能力。

shapiq使模型解释从"哪些特征重要"深化到"哪些特征组合如何共同作用"，对高风险决策场景至关重要。它提升模型透明度，发现非直观模式、潜在偏差，指导特征工程优化，作为SHAP生态补充，为负责任AI应用提供强大工具支持。