LIME: Local Interpretable Model-agnostic Explanations
LIME, introduït per Ribeiro, Singh i Guestrin el 2016, explica les prediccions de qualsevol classificador o regressor de caixa negra construint un model substitutiu simple i localment fidel al voltant d'una predicció única d'interès. En lloc d'explicar el model global, LIME se centra en per què una instància específica va ser classificada com ho va ser, fent que models complexos com les xarxes neuronals profundes i els mètodes d'ensemble siguin interpretables per als usuaris finals, experts del domini i auditors.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why should I trust you?": Explaining the predictions of any classifier. ACM SIGKDD, 1135–1144. DOI: 10.1145/2939672.2939778 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). Local Interpretable Model-agnostic Explanations (LIME). ScholarGate. https://scholargate.app/ca/machine-learning/lime
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Explicacions contrafactualsAprenentatge automàtic↔ compare
- Random ForestAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →