一、不同模型的SHAP值特征
SHAP（SHapley Additive exPlanations）在不同机器学习模型上有显著差异。
决策树：SHAP值具有离散性，决策边界清晰，但可能忽略特征交互的平滑过渡。
XGBoost：SHAP值更加平滑，能够捕捉特征之间的非线性关系，在子群发现中具有优势。
神经网络：具有最大灵活性，能近似任何连续函数。但其非线性决策过程可能导致SHAP值聚类不明显。在图像分析中，CNN捕捉的笔画位置不一致，可能导致SHAP向量未对齐，影响可视化效果。
二、SHAP分析在子群发现中的价值
SHAP分析不仅能揭示机器学习模型的决策过程，还能用于子群发现。
通过基于模型解释进行聚类，可以发现代表不同预测原因的原型。这些原型能制定比通用解决方案更有效的、针对每个原型的定制化数据驱动解决方案。
三、结论
不同模型在SHAP分析中有各自的适用场景。XGBoost在捕捉平滑关系和子群发现方面表现较好，神经网络在复杂场景中有优势但需要注意解释的一致性问题。结合SHAP与聚类方法，可以发现数据中的隐藏子群，为业务决策提供更精准的支持。
参考文献
Lin, J., Fukuyama, J., & for the Alzheimer’s Disease Neuroimaging Initiative. (2026). A comparative analysis of machine learning models in SHAP analysis. arXiv preprint arXiv:2604.07258. https://arxiv.org/abs/2604.07258