LIME: lokal interpretierbare Erklärungen
lime.tabular.LimeTabularExplainer, Eingaben perturbieren, lokale lineare Approximation.
LIME: lokal interpretierbare Erklärungen ist eine kostenlose Learn AI with Python-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Learn AI with Python-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Learn AI with Python-Kurs umfasst insgesamt 4 Lektionen.
Was ist LIME
LIME (Local Interpretable Model-agnostic Explanations) erklärt eine einzelne Vorhersage, indem es ein einfaches, interpretierbares Modell, etwa eine lineare Regression, an das Verhalten des komplexen Modells in einer kleinen Umgebung rund um diese eine Instanz anpasst.
Lokal, nicht global
Ein Blackbox-Modell kann insgesamt stark nichtlinear sein, aber in der Nähe eines einzelnen Punkts annähernd linear verlaufen. LIME nutzt genau diese Eigenschaft: Es erklärt nicht das gesamte Modell, sondern nur dessen Verhalten lokal rund um die relevante Instanz.
So funktioniert LIME
LIME verändert die Instanz leicht, um viele ähnliche Samples zu erzeugen, lässt das Blackbox-Modell deren Vorhersagen berechnen, gewichtet die Samples nach ihrer Nähe zum Original und passt anschließend ein interpretierbares Ersatzmodell an. Die Koeffizienten dieses Ersatzmodells bilden die Erklärung.
Modellunabhängig
Da LIME lediglich die Vorhersagefunktion des Modells aufruft, funktioniert es mit jedem Klassifikator und jedem Regressor: mit neuronalen Netzen, Gradient Boosting oder sogar einer externen API. Das Modell wird als Blackbox behandelt.
LimeTabularExplainer
Für tabellarische Daten erstellen Sie einen LimeTabularExplainer aus den Trainingsdaten und den Feature-Namen. Die Trainingsverteilung wird verwendet, um realistische Veränderungen der Daten zu erzeugen.
from lime.lime_tabular import LimeTabularExplainer
explainer = LimeTabularExplainer(
training_data=X_train.values,
feature_names=X_train.columns.tolist(),
class_names=["denied", "approved"],
mode="classification",
)explain_instance
Um eine einzelne Zeile zu erklären, rufen Sie explain_instance mit der Zeile und der Modellfunktion predict_proba auf. LIME erzeugt Variationen rund um diese Zeile und passt das lokale Ersatzmodell an.
exp = explainer.explain_instance(
data_row=X_test.values[0],
predict_fn=model.predict_proba,
num_features=5,
)predict_proba statt predict
LIME benötigt bei der Klassifikation Wahrscheinlichkeiten und keine harten Labels, weil das Ersatzmodell auf der Wahrscheinlichkeitsverteilung basiert. Übergeben Sie immer model.predict_proba oder eine beliebige Funktion, die Klassenwahrscheinlichkeiten zurückgibt.
Der Parameter num_features
num_features begrenzt die Anzahl der Features, die in der Erklärung erscheinen. Eine kleinere Anzahl ergibt eine einfachere und leichter verständliche Erklärung, die nur die stärksten lokalen Einflussfaktoren hervorhebt.
Feature-Gewichte lesen
exp.as_list() gibt die Erklärung als Paare aus Feature-Bedingung und Gewicht zurück. Ein positives Gewicht verschiebt die Vorhersage in Richtung der vorhergesagten Klasse, ein negatives Gewicht von ihr weg.
for feature, weight in exp.as_list():
print(feature, round(weight, 3))
# income > 50000 0.21
# debt_ratio > 0.4 -0.18Die Erklärung visualisieren
LIME kann die Erklärung als interaktives Diagramm oder in einer Notebook-Ansicht darstellen. Dabei werden die Beitragsbalken und die vorhergesagten Wahrscheinlichkeiten nebeneinander angezeigt.
exp.show_in_notebook(show_table=True)
# or
fig = exp.as_pyplot_figure()LIME vs. SHAP
Beide Methoden erklären einzelne Vorhersagen, unterscheiden sich aber in folgenden Punkten:
- SHAP bietet starke theoretische Garantien, etwa Additivität und Konsistenz, sowie eine globale Ansicht
- LIME ist schneller zu verstehen, modellunabhängig und intuitiv. Sein lokales Ersatzmodell ist jedoch eine Näherung und kann je nach Zufälligkeit der erzeugten Variationen unterschiedlich ausfallen
Schnelltest
Testen Sie Ihr Wissen über LIME.
Zusammenfassung
Sie haben lokale Erklärungen mit LIME kennengelernt:
- LimeTabularExplainer wird aus Trainingsdaten und Feature-Namen erstellt
explain_instanceverwendetmodel.predict_proba, um ein lokales Ersatzmodell anzupassen- num_features steuert den Umfang der Erklärung
as_list()gibt vorzeichenbehaftete Feature-Gewichte zurück- LIME ist modellunabhängig und lokal und ergänzt damit SHAP
Häufig gestellte Fragen
Ist die Lektion „LIME: lokal interpretierbare Erklärungen“ kostenlos?
Ja — der vollständige Text von „LIME: lokal interpretierbare Erklärungen“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Learn AI with Python-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Learn AI with Python-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „LIME: lokal interpretierbare Erklärungen“?
lime.tabular.LimeTabularExplainer, Eingaben perturbieren, lokale lineare Approximation. Du übst Learn AI with Python mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Learn AI with Python zu starten?
Keine Vorkenntnisse erforderlich. Learn AI with Python auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.
Wie lange dauert die Lektion „LIME: lokal interpretierbare Erklärungen“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Learn AI with Python-Lektion Code schreiben und ausführen?
Ja. Jede Learn AI with Python-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Verzerrungen in ML-Modellen erkennen
- SHAP-Werte zur Erklärbarkeit von Modellen
- LIME: lokal interpretierbare Erklärungen
- Frameworks für KI-Ethik und Governance