某信用評分公司導入 SHAP（SHapley Additive exPlanations）框架分析機器學習模型的輸出行為。分析師希望了解：「對於某位特定申請人被評為高風險的信用評分，各項輸入特徵分別對這個評分結果貢獻了多少」。下列哪一項最能正確說明 SHAP Shapley 值在此情境中所提供的資訊？
答案 （B）
核心概念
SHAP 值源自合作賽局理論的夏普利值，用來公平分配「每位參與者對團隊成果的貢獻」。搬到機器學習上，就是把某一筆預測的輸出值，拆解分配給每個輸入特徵——這個特徵讓評分往上推了多少、那個特徵又往下拉了多少，全部加總後剛好等於預測值與基準值之間的差距（這就是名稱中 Additive 的意思）。它給的是個案級、有正負方向的貢獻度。
答題技巧
快速判斷技巧：SHAP 的兩個特徵——「單筆預測」與「有正負方向的貢獻」。選項同時滿足這兩點的就是答案。
易錯陷阱：(C) 用「整體」偷換了「個案」。SHAP 雖然可以把個案值彙總成全域重要性，但題目明講要分析「某位特定申請人」，就必須選局部解釋的敘述。（114-4 科目 1 第 27 題考的是同一觀念。）