فهم سبب توصل نموذج ما إلى توقع معين يمكن أن يكون بنفس الأهمية التي تُمنح لدقة التوقع في العديد من التطبيقات. ومع ذلك، فإن أعلى دقة في مجموعة بيانات كبيرة حديثة غالبًا ما تُحقق بواسطة نماذج معقدة يصعب حتى على الخبراء فهمها، مثل النماذج المجمعة أو نماذج التعلم العميق، مما يُحدث تناقضًا بين الدقة والقابلية للتفسير. وبهدف التصدي لهذا التحدي، تم مؤخرًا اقتراح مجموعة من الأساليب لمساعدة المستخدمين على فهم توقعات النماذج المعقدة، لكن من الصعب غالبًا تحديد العلاقة بين هذه الأساليب، أو متى يكون أحد هذه الأساليب أفضل من الآخر. ولحل هذه المشكلة، نقدّم إطارًا موحدًا لتفسير التوقعات، يُعرف بـ SHAP (SHapley Additive exPlanations). يُعيّن SHAP قيمة أهمية لكل خاصية (ميزة) بالنسبة لتوقع معين. وتشمل مكوناته المبتكرة ما يلي: (1) تحديد فئة جديدة من مقاييس أهمية الخصائص الجامعية، و(2) نتائج نظرية تُظهر وجود حل وحيد ضمن هذه الفئة يتمتع بمجموعة من الخصائص المرغوبة. وتُوحد الفئة الجديدة ستة أساليب موجودة سابقًا، وهو أمر ذي أهمية خاصة لأن عدة أساليب حديثة ضمن هذه الفئة تفتقر إلى الخصائص المرغوبة التي اقترحناها. وباستناد إلى رؤى ناتجة عن هذه التوحيد، نقدّم أساليب جديدة تُظهر أداءً حسابيًا مُحسّنًا و/أو تطابقًا أفضل مع الحدس البشري مقارنة بالأساليب السابقة.