LIME: Lokalna interpretibilna modelno-agnostička objašnjenja
LIME, koji su predstavili Ribeiro, Singh i Guestrin 2016. godine, objašnjava predviđanja bilo kojeg klasifikatora ili regresora tipa „crne kutije” izgradnjom jednostavnog, lokalno vjernog surogatnog modela oko pojedinačnog predviđanja od interesa. Umjesto objašnjavanja globalnog modela, LIME se fokusira na to zašto je određena instanca klasificirana na određeni način, čineći složene modele poput dubokih neuronskih mreža i ansambl metoda interpretibilnima krajnjim korisnicima, stručnjacima domene i revizorima.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Local Interpretable Model-agnostic Explanations (LIME). ScholarGate. https://scholargate.app/hr/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.
- Protučinjenjenska objašnjenjaStrojno učenje↔ compare
- Slučajna šumaStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →