LIME: Локальні інтерпретовані модельно-агностичні пояснення
LIME, представлений Рібейро, Сінґом та Ґестрін у 2016 році, пояснює прогнози будь-якого класифікатора чи регресора з «чорної скриньки», будуючи просту, локально достовірну сурогатну модель навколо окремого прогнозу, що цікавить. Замість пояснення глобальної моделі, LIME зосереджується на тому, чому конкретний екземпляр був класифікований саме так, роблячи складні моделі, такі як глибокі нейронні мережі та ансамблеві методи, інтерпретованими для кінцевих користувачів, експертів у предметній галузі та аудиторів.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). Local Interpretable Model-agnostic Explanations (LIME). ScholarGate. https://scholargate.app/uk/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.
- Контрфактичні поясненняМашинне навчання↔ compare
- Випадковий лісМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →