En apprentissage statistique supervisé et en analyse d'incertitudes de codes de calcul, les mesures d'importance (ou indices de sensibilité) ont pour but de quantifier l'influence des entrées (ou covariables) du modèle d'apprentissage ou du code de calcul sur sa sortie. Du fait de leur simplicité d'interprétation même en présence de fortes dépendances entre les entrées, les effets de Shapley ont récemment suscité un grand intérêt parmi les utilisateurs avides d'interprétabilité de modèles "boîte noires". Malheureusement, leur coût calculatoire pour les estimer limite leur utilisation à des cas de faible dimension (de l'ordre d'une dizaine d'entrées). Dans cette communication, nous étudions une méthode d'approximation des effets de Shapley, nommée l'allocation de poids relatifs ("Relative Weight Allocation"), développée dans le contexte de la régression linéaire. Une extension est proposée et testée pour des modèles non linéaires.