LIME : explications locales interprétables
lime.tabular.LimeTabularExplainer, perturbation de l’entrée, approximation linéaire locale.
LIME : explications locales interprétables est une leçon Learn AI with Python gratuite sur CoddyKit. Ceci est la leçon 3 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Learn AI with Python, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Learn AI with Python comprend 4 leçons au total.
Qu’est-ce que LIME
LIME (explications locales interprétables et indépendantes du modèle) explique une seule prédiction en ajustant un modèle simple et interprétable, comme une régression linéaire, au comportement du modèle complexe dans un petit voisinage autour de cette instance.
Local, pas global
Un modèle en boîte noire peut être extrêmement non linéaire dans son ensemble, mais près d’un point donné, il est approximativement linéaire. LIME exploite cette propriété : il n’explique pas le modèle entier, mais uniquement son comportement local autour de l’instance qui vous intéresse.
Fonctionnement de LIME
LIME modifie légèrement l’instance pour créer de nombreux échantillons voisins, demande au modèle en boîte noire de les classer, pondère les échantillons selon leur proximité avec l’original, puis ajuste un modèle de substitution interprétable. Les coefficients de ce modèle de substitution constituent l’explication.
Indépendant du modèle
Comme LIME appelle uniquement la fonction de prédiction du modèle, il fonctionne avec n’importe quel classifieur ou modèle de régression : réseaux neuronaux, modèles de gradient boosting, voire une interface de programmation externe. Il traite le modèle comme une boîte noire.
LimeTabularExplainer
Pour des données tabulaires, vous construisez un LimeTabularExplainer à partir des données d’entraînement et des noms des caractéristiques. Il utilise la distribution d’entraînement pour générer des modifications réalistes.
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
Pour expliquer une ligne, appelez explain_instance en lui transmettant la ligne et la fonction predict_proba du modèle. LIME crée des modifications autour de cette ligne et ajuste le modèle de substitution local.
exp = explainer.explain_instance(
data_row=X_test.values[0],
predict_fn=model.predict_proba,
num_features=5,
)Probabilités de prédiction plutôt que prédictions
Pour la classification, LIME a besoin de probabilités, et non d’étiquettes catégoriques, car le modèle de substitution effectue une régression sur la surface des probabilités. Transmettez toujours model.predict_proba, ou toute fonction qui renvoie les probabilités des classes.
Paramètre du nombre de caractéristiques
num_features limite le nombre de caractéristiques qui apparaissent dans l’explication. Un nombre plus petit produit une explication plus simple et plus facile à comprendre, qui met en évidence uniquement les facteurs locaux les plus influents.
Lire les poids des caractéristiques
exp.as_list() renvoie l’explication sous forme de paires (condition sur la caractéristique, poids). Un poids positif oriente la prédiction vers la classe prédite ; un poids négatif l’en éloigne.
for feature, weight in exp.as_list():
print(feature, round(weight, 3))
# income > 50000 0.21
# debt_ratio > 0.4 -0.18Visualiser l’explication
LIME peut afficher l’explication sous forme de diagramme interactif ou de vue dans un carnet, en présentant côte à côte les barres de contribution et les probabilités prédites.
exp.show_in_notebook(show_table=True)
# or
fig = exp.as_pyplot_figure()LIME ou SHAP
Tous deux expliquent les prédictions individuelles, mais ils diffèrent sur plusieurs points :
- SHAP offre de solides garanties théoriques, notamment l’additivité et la cohérence, ainsi qu’une vue globale
- LIME est plus rapide à comprendre, indépendant du modèle et intuitif, mais son modèle de substitution local est une approximation qui peut varier en fonction du caractère aléatoire des modifications
Vérification rapide
Évaluez vos connaissances sur LIME.
Récapitulatif
Vous avez appris les explications locales avec LIME :
- LimeTabularExplainer est construit à partir des données d’entraînement et des noms des caractéristiques
explain_instanceutilisemodel.predict_probapour ajuster un modèle de substitution local- Le nombre de caractéristiques contrôle la taille de l’explication
as_list()renvoie les poids signés des caractéristiques- LIME est indépendant du modèle et local, ce qui en fait un complément de SHAP
Questions Fréquemment Posées
La leçon « LIME : explications locales interprétables » est-elle gratuite ?
Oui — le texte complet de « LIME : explications locales interprétables » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Learn AI with Python, passe à CoddyKit PRO. Le cours Learn AI with Python comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « LIME : explications locales interprétables » ?
lime.tabular.LimeTabularExplainer, perturbation de l’entrée, approximation linéaire locale. Tu pratiques Learn AI with Python avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Learn AI with Python ?
Aucune expérience préalable n'est requise. Learn AI with Python sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 3 sur 4.
Combien de temps prend la leçon « LIME : explications locales interprétables » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Learn AI with Python ?
Oui. Chaque leçon Learn AI with Python inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Détecter les biais dans les modèles d’apprentissage automatique
- Valeurs SHAP pour l’explicabilité des modèles
- LIME : explications locales interprétables
- Cadres éthiques et de gouvernance de l’IA