каждого игрока. В 1988 году Чарнс, Голани, Кин и Руссо показали, что значение Шепли может быть вычислено как решение взвешенной задачи наименьших квадратов, что впоследствии легло в основу KernelSHAP. Первые адаптации для машинного обучения появились в 2010 году благодаря Штрумбелю и Кононенко, которые ввели оценку на основе перестановок с использованием метода Монте-Карло, а в 2014 году распространили ее на подмножества, выявляя взаимодействия и избыточность. Поворотным моментом стала статья Лундберга и Ли 2017 года «Единый подход к интерпретации предсказаний моделей», в которой была представлена структура SHAP со свойствами локальной точности, отсутствия и согласованности, а также доказана их единственность. KernelSHAP оценивает значения SHAP, решая взвешенную линейную регрессию с shapley-ядром, которое придает особое значение малым и большим коалициям. Несмотря на свои сильные стороны, статья отмечает, что исходная реализация фоновой выборки может нарушать предположения, что привело к разработке 15 расширений для решения различных проблем. Название «16 и еще одна причина» относится к 15 расширениям плюс аксиоматическая основа как первая причина, а скрытая финальная причина раскрывается в конце статьи.