شپ (توضیح‌پذیری افزودنی شپلی) یک روش نظریه بازی برای توضیح پیش‌بینی‌های مدل یادگیری ماشین است که به هر ویژگی ورودی یک مقدار اهمیت برای یک پیش‌بینی مشخص اختصاص می‌دهد. این روش هم اهمیت ویژگی کلی و هم توضیحات محلی (به ازای هر نمونه) فراهم می‌آورد و مدل‌های پیچیده مانند جنگل تصادفی را در کاربردهای مهندسی تفسیرپذیر می‌سازد.
شپ (توضیح‌پذیری افزودنی شپلی)، که توسط لوندبرگ و لی در سال ۲۰۱۷ معرفی شد، یک چارچوب یکپارچه برای تفسیر پیش‌بینی‌های مدل‌های پیچیده یادگیری ماشین است . این روش بر مقادیر شپلی از نظریه بازی تعاونی مبتنی است که راهی اصولی برای توزیع "پرداخت" (پیش‌بینی مدل) میان "بازیکنان" (ویژگی‌های ورودی) بر اساس سهم حاشیه‌ای آن‌ها فراهم می‌آورد.
ایده اصلی این است که برای هر پیش‌بینی f(x)، شپ به هر ویژگی j یک مقدار اهمیت φ_j اختصاص می‌دهد که نشان می‌دهد آن ویژگی چقدر در دور کردن پیش‌بینی از پیش‌بینی میانگین E[f(z)] سهم داشته است. این مقادیر مجموعه‌ای از خواص مطلوب را برآورده می‌کنند: دقت محلی (مجموع مقادیر شپ برابر با پیش‌بینی است)، گمشدگی (ویژگی‌های غایب هیچ سهمی ندارند) و سازگاری (اگر سهم یک ویژگی در مدل اصلاح‌شده افزایش یابد، مقدار شپ آن کاهش نمی‌یابد). این چارچوب شش روش موجود اهمیت ویژگی را یکپارچه می‌کند و تضمین‌های نظری فراهم می‌آورد که هیچ روش دیگری در همان کلاس نمی‌تواند همه این خواص را همزمان برآورده کند.
در مهندسی زلزله، شپ به ابزار استاندارد برای رفع نگرانی "جعبه سیاه" تبدیل شده است که پذیرش یادگیری ماشین را در عمل مهندسی محدود می‌کند. یک مطالعه بر روی پیش‌بینی نشست ناشی از واژگونی از تحلیل شپ برای شناسایی نسبت لاغری، ضریب واژگونی، بیشینه شتاب زمین و شدت آریاس به‌عنوان تأثیرگذارترین عوامل بر نشست استفاده کرد—که بینش مهندسی شفافی فراتر از دقت پیش‌بینی صرف فراهم می‌آورد. به‌طور مشابه، پژوهش بر روی طبقه‌بندی خسارت پل پس از زلزله از شپ برای آشکارسازی تأثیر غالب سنجه‌های شدت لرزه‌ای و ویژگی‌های سازه‌ای بر حالت‌های خسارت استفاده کرد. در زمینه اتصالات تیر-ستون با ورق‌های U شکل قابل تعویض، شپ برای تفسیر پیش‌بینی‌های RF و XGBoost از شاخص‌های عملکرد لرزه‌ای به کار رفت. این تفسیرپذیری برای تصمیم‌گیری مهندسی ضروری است، جایی که درک چرا یک مدل نتیجه خاصی را پیش‌بینی می‌کند اغلب به‌اندازه خود پیش‌بینی اهمیت دارد.