LIME: Penjelasan Model Boleh Ditafsir Secara Lokal dan Model-Agnostik
LIME, diperkenalkan oleh Ribeiro, Singh, dan Guestrin pada tahun 2016, menjelaskan ramalan mana-mana pengelas atau peramal kotak hitam dengan membina model surogat yang ringkas dan setia secara tempatan di sekeliling ramalan tunggal yang diminati. Daripada menjelaskan model global, LIME menumpukan pada sebab mengapa contoh tertentu dikelaskan seperti itu, menjadikan model kompleks seperti rangkaian saraf dalam dan kaedah ensemble boleh ditafsirkan oleh pengguna akhir, pakar domain, dan juruaudit.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 2). Local Interpretable Model-agnostic Explanations (LIME). ScholarGate. https://scholargate.app/ms/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.
- Penjelasan KontrafaktualPembelajaran Mesin↔ compare
- Random ForestPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →