LIME: Lokalnie Wyjaśnialne Modelowo-Agnostyczne Wyjaśnienia
LIME, wprowadzone przez Ribeiro, Singh i Guestrin w 2016 roku, wyjaśnia predykcje dowolnego klasyfikatora lub regresora typu „czarna skrzynka” poprzez zbudowanie prostego, lokalnie wiernego modelu zastępczego wokół pojedynczej predykcji będącej przedmiotem zainteresowania. Zamiast wyjaśniać model globalny, LIME skupia się na tym, dlaczego konkretna instancja została sklasyfikowana w dany sposób, czyniąc złożone modele, takie jak głębokie sieci neuronowe i metody zespołowe, zrozumiałe dla użytkowników końcowych, ekspertów dziedzinowych i audytorów.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Local Interpretable Model-agnostic Explanations (LIME). ScholarGate. https://scholargate.app/pl/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.
- Wyjaśnienia kontrfaktyczneUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →