LIME: explicaciones locales interpretables
lime.tabular.LimeTabularExplainer, perturbación de entradas y aproximación lineal local.
LIME: explicaciones locales interpretables es una lección gratuita de Learn AI with Python en CoddyKit. Esta es la lección 3 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Learn AI with Python, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Learn AI with Python incluye 4 lecciones en total.
Qué es LIME
LIME (Local Interpretable Model-agnostic Explanations) explica una predicción individual ajustando un modelo sencillo e interpretable (como una regresión lineal) al comportamiento del modelo complejo en una pequeña vecindad alrededor de esa instancia.
Local, no global
Un modelo de caja negra puede ser muy no lineal en general, pero cerca de un punto es aproximadamente lineal. LIME aprovecha esto: no explica todo el modelo, sino únicamente su comportamiento local alrededor de la instancia que le interesa.
Cómo funciona LIME
LIME modifica la instancia para crear muchas muestras cercanas, pide al modelo de caja negra que las clasifique, pondera las muestras según su proximidad a la original y, después, ajusta un modelo sustituto interpretable. Los coeficientes del modelo sustituto se convierten en la explicación.
Independiente del modelo
Como LIME solo llama a la función de predicción del modelo, funciona con cualquier clasificador o regresor: redes neuronales, gradient boosting e incluso una API externa. Trata el modelo como una caja negra.
LimeTabularExplainer
Para datos tabulares, se crea un LimeTabularExplainer a partir de los datos de entrenamiento y los nombres de las características. Utiliza la distribución de entrenamiento para generar perturbaciones realistas.
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
Para explicar una fila, llame a explain_instance con la fila y la función del modelo predict_proba. LIME genera perturbaciones alrededor de esa fila y ajusta el modelo sustituto local.
exp = explainer.explain_instance(
data_row=X_test.values[0],
predict_fn=model.predict_proba,
num_features=5,
)predict_proba, no predict
LIME para clasificación necesita probabilidades, no etiquetas definitivas, porque el modelo sustituto realiza una regresión sobre la superficie de probabilidades. Pase siempre model.predict_proba (o cualquier función que devuelva probabilidades de clase).
El parámetro num_features
num_features limita cuántas características aparecen en la explicación. Un número menor produce una explicación más sencilla y fácil de asimilar, que destaca únicamente los factores locales más importantes.
Interpretación de los pesos de las características
exp.as_list() devuelve la explicación como pares (condición de la característica, peso). Un peso positivo desplazó la predicción hacia la clase predicha; uno negativo la alejó.
for feature, weight in exp.as_list():
print(feature, round(weight, 3))
# income > 50000 0.21
# debt_ratio > 0.4 -0.18Visualización de la explicación
LIME puede representar la explicación como un gráfico interactivo o una vista de notebook, mostrando las barras de contribución y las probabilidades predichas una junto a la otra.
exp.show_in_notebook(show_table=True)
# or
fig = exp.as_pyplot_figure()LIME frente a SHAP
Ambos explican predicciones individuales, pero se diferencian en lo siguiente:
- SHAP ofrece sólidas garantías teóricas (aditividad y consistencia) y una vista global
- LIME es más rápido de comprender, independiente del modelo e intuitivo, pero su modelo sustituto local es una aproximación que puede variar debido a la aleatoriedad de las perturbaciones
Comprobación rápida
Compruebe sus conocimientos sobre LIME.
Resumen
Ha aprendido sobre las explicaciones locales con LIME:
- LimeTabularExplainer se crea a partir de los datos de entrenamiento y los nombres de las características
explain_instanceutilizamodel.predict_probapara ajustar un modelo sustituto local- num_features controla el tamaño de la explicación
as_list()devuelve pesos de características con signo- LIME es independiente del modelo y local, por lo que complementa a SHAP
Preguntas frecuentes
¿La lección «LIME: explicaciones locales interpretables» es gratis?
Sí — el texto completo de «LIME: explicaciones locales interpretables» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Learn AI with Python, actualiza a CoddyKit PRO. El curso de Learn AI with Python incluye 4 lecciones en total.
¿Qué aprenderé en «LIME: explicaciones locales interpretables»?
lime.tabular.LimeTabularExplainer, perturbación de entradas y aproximación lineal local. Practicas Learn AI with Python con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Learn AI with Python?
No se requiere experiencia previa. Learn AI with Python en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 3 de 4.
¿Cuánto tiempo toma la lección «LIME: explicaciones locales interpretables»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Learn AI with Python?
Sí. Cada lección de Learn AI with Python incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Detección de sesgos en modelos de ML
- Valores SHAP para la explicabilidad de modelos
- LIME: explicaciones locales interpretables
- Marcos de ética y gobernanza de la IA