La crescente complessità dei modelli di machine learning e l'ampio utilizzo di "blackbox models" hanno suscitato crescente interesse nell'interpretazione dei risultati ottenuti da tali modelli. In questo contesto, il presente studio si concentra sull'applicazione dell'algoritmo Shapley Value come strumento di spiegazione per tali modelli, con particolare attenzione allo "shallow learning". L'obiettivo principale di questa tesi è testare l'efficienza dell'algoritmo Shapley Value nell'ambito dello shallow learning, al fine di valutarne la precisione ed efficienza rispetto ai metodi di machine learning tradizionali. Il metodo proposto è confrontato con tecniche di spiegazione non basate sul modello, come il Local Interpretable Model-Agnostic Explanations (LIME), attraverso una serie di esperimenti mirati.