LIME: توضیحات قابل تفسیر محلی و مستقل از مدل
LIME که در سال ۲۰۱۶ توسط ریبیرو، سینگ و گستین معرفی شد، با ساختن یک مدل جایگزین ساده و وفادار به صورت محلی، پیشبینیهای هر طبقهبند یا رگرسور جعبه سیاه را توضیح میدهد. LIME به جای توضیح مدل سراسری، بر چرایی طبقهبندی یک نمونه خاص تمرکز میکند و مدلهای پیچیدهای مانند شبکههای عصبی عمیق و روشهای گروهی را برای کاربران نهایی، کارشناسان حوزه و حسابرسان قابل تفسیر میسازد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Local Interpretable Model-agnostic Explanations (LIME). ScholarGate. https://scholargate.app/fa/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.
- توضیحات پادواقعییادگیری ماشین↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →