---
title: "特徵歸因（Feature Attribution）"
slug: feature-attribution
language: zh-TW
source: https://aiterms.tw/terms/feature-attribution
updated_at: 2026-06-23
tags: [可解釋AI, AI基礎, 機器學習]
ipas_term: false
---

# 特徵歸因（Feature Attribution）

量化每個輸入特徵對模型預測結果的貢獻程度，幫助理解和驗證模型的決策依據。

## 完整說明

特徵歸因是模型可解釋性的核心技術，它將模型的預測分解為各個特徵的貢獻度。對於某個預測結果，特徵歸因回答「哪些特徵影響了這個結論，它們各自貢獻了多少」。透過量化特徵貢獻，研究人員和業務人員能驗證模型是否基於有意義的特徵做判斷，或是學到了虛假相關性。

## 常見問題

### 在高維資料中，應該用哪種特徵歸因方法最實用？

高維資料對歸因方法提出挑戰。SHAP 理論上最全面但計算量隨特徵數指數增長，對 1000+ 特徵的資料不實用；可使用 TreeSHAP（針對樹模型優化）或 KernelSHAP（近似計算）。LIME 計算高效，適合高維情況，但需要謹慎設計局部擾動，避免落入無意義的特徵空間。Integrated Gradients 對神經網絡高效，計算複雜度與特徵數線性相關，是深度學習的最佳選擇。實務中，常見做法是先用置換重要性或梯度相關方法篩出前 50 個重要特徵，再在這個子集上計算精確的 SHAP 值，平衡計算成本與解釋精度。

### 如何判斷特徵歸因的結果是否可信？

需要多角度驗證。首先，檢查歸因結果是否符合領域知識。若模型判定患者患癌風險高，原因竟是「患者姓氏」，明顯不合理，說明模型或歸因方法有問題。其次，進行對標測試：用該特徵的不同子集訓練模型，對比性能下降，驗證歸因方法的結論。第三，檢查歸因的穩定性：略微修改輸入（加小噪音）重新計算歸因，結果應該保持相似。若歸因對輸入微小擾動敏感，說明結果不穩健。最後，用反事實檢驗：若特徵歸因說某特徵貢獻 20%，嘗試修改該特徵至其他值，觀察預測的實際變化是否約為 20%，驗證歸因的現實性。

### 怎樣用特徵歸因來偵測和修正模型偏見？

特徵歸因是偏見診斷的強大工具。首先，對不同人口統計組的預測進行歸因分析，對比敏感屬性（如性別、種族）的歸因值。若對某個人口組，敏感屬性的歸因值異常高，說明模型存在偏見。其次，分析相關特徵的歸因：若「性別」低但「名字」（往往與性別相關）高，說明模型在迴避直接使用性別特徵但間接利用代理特徵，需要進一步調查。第三，進行反事實分析：對給定樣本，修改敏感屬性值，觀察歸因如何變化。若改變性別導致歸因結果大幅反轉，證實存在偏見。最後，定期監控生產環境的歸因分布，若發現某組人口的不公平歸因模式逐漸累積，及時觸發模型重訓練或資料平衡。

---

來源：https://aiterms.tw/terms/feature-attribution
快查頁：https://aiterms.tw/terms/feature-attribution
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-feature-attribution