在许多应用场景中，理解模型为何做出某一特定预测，其重要性可能与预测的准确性同样关键。然而，对于大规模现代数据集而言，通常只有复杂的模型（如集成模型或深度学习模型）才能达到最高准确率，而这些模型即使对专家而言也难以解释，从而在模型准确性与可解释性之间产生了矛盾。为应对这一挑战，近年来已提出多种方法以帮助用户理解复杂模型的预测结果，但这些方法之间的关联性往往不明确，且在何种情况下应优先选择某一方法也缺乏清晰标准。为此，我们提出一个统一的预测解释框架——SHAP（SHapley Additive exPlanations）。SHAP 为每个特征在特定预测中分配一个重要性值。该框架的创新之处在于：（1）提出了一类新的可加性特征重要性度量方法；（2）通过理论分析证明，在该类方法中存在唯一满足一组理想性质的解。这一新类别统一了六种已有方法，尤其值得注意的是，其中若干近期提出的方法并不具备我们所提出的理想性质。基于这一统一视角的深入洞察，我们进一步提出了若干新方法，其在计算效率和与人类直觉的一致性方面均优于以往的方案。