SHAP interaction values是量化两两特征组合对模型输出的额外协同或拮抗效应的指标，非主效应叠加；适用于需揭示特征间非线性依赖关系的场景，如金融风控中“贷款金额与工作年限”的负向交互分析。
SHAP interaction values 是什么，什么时候该用它
SHAP interaction values 不是 SHAP 主效应的简单叠加，而是量化了两个特征组合对模型输出的额外影响。比如在房价预测中，area 和 rooms 单独重要，但它们的交互值高，说明“大而空”或“小而密”的组合会显著偏离线性预期——这时候看主效应图就漏掉了关键业务逻辑。
只有当模型本身支持二阶导数（如树模型）或你显式启用近似计算（如 KernelExplainer 的 interaction_index 参数），才能可靠获取交互值。线性模型的 LinearExplainer 默认不返回交互值，强行调用 shap_interaction_values 会得到全零矩阵，这不是 bug，是数学上无定义。
如何正确计算 tree-based 模型的 SHAP interaction values
TreeExplainer 是目前最稳定支持交互值的解释器，但必须注意三点：
- 使用
model.predict而非model.predict_proba（分类任务中若取概率，需确保传入的是对应类别的 logits 或原始输出） - 调用
shap_interaction_values()方法，不是shap_values() - 输入数据最好做 min-max 或 standard scaling，避免因特征量纲差异导致交互项被数值误差淹没
import shap explainer = shap.TreeExplainer(model) shap_interactions = explainer.shap_interaction_values(X_sample) # 返回 shape (N, D, D)
shap_interactions 是三维数组：样本数 × 特征数 × 特征数。对角线 shap_interactions[i, j, j] 是主效应，非对角线 shap_interactions[i, j, k] 才是 feature_j 与 feature_k 的交互贡献。
立即学习“Python免费学习笔记（深入）”；
怎么可视化并识别强协同/拮抗特征对
别直接画热力图——原始交互值带符号且尺度不统一，容易误读。推荐两步处理：
- 对每个特征对
(j, k)，计算所有样本上abs(shap_interactions[:, j, k])的均值，作为该对的「交互强度」排序依据 - 挑出 Top-3 强交互对，用散点图 + 回归线展示：横轴为
feature_j，纵轴为模型输出残差（减去主效应后），点颜色映射feature_k值。如果出现明显斜率变化，就是协同证据
常见陷阱：
- 把
shap_interactions[:, j, k]和shap_interactions[:, k, j]当作不同值（其实对称，SHAP 库已去重） - 在训练集上计算交互值后，直接用于测试集推断（需确保 explainer 初始化时用的是训练集，但
shap_interaction_values()可安全传入任意新样本）
为什么有些特征对交互值始终接近零
这未必代表无关，可能因为：
- 模型根本没学到该组合模式（例如树深度限制太严，或样本中
feature_j和feature_k高度共线性，分裂时只选其一） - 交互效应被更高阶项吸收（SHAP interaction values 仅捕获二阶，三阶及以上不体现）
- 数据中该组合稀疏（如
age < 18且income > 100k样本极少），SHAP 平均后信号被淹没
验证方法：人工构造一个含明确交互逻辑的数据集（如 y = x1 * x2 + noise），训练简单树模型，再跑 shap_interaction_values —— 如果仍为零，大概率是 explainer 初始化方式不对，比如误用了 KernelExplainer。
交互分析真正的难点不在计算，而在把 shap_interactions[:, j, k] 映射回业务语义。比如金融风控中 loan_amount 和 employment_length 的负向交互，需要结合规则引擎或专家访谈确认是“金额大但工龄短=高风险”，还是“系统误将短期高薪者判为不稳定”。
