LIME: Yerel Yorumlanabilir Açıklamalar
lime.tabular.LimeTabularExplainer, girdiyi değiştirerek deneme, yerel doğrusal yaklaştırma.
LIME: Yerel Yorumlanabilir Açıklamalar, CoddyKit'te ücretsiz bir Learn AI with Python dersidir. Bu, 4 dersinin 3. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Learn AI with Python öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Learn AI with Python kursu toplamda 4 dersten oluşur.
LIME Nedir
LIME (Yerel, Yorumlanabilir, Modelden Bağımsız Açıklamalar), tek bir tahmini; o örneğin çevresindeki küçük bir bölgede karmaşık modelin davranışına basit ve yorumlanabilir bir model (örneğin doğrusal regresyon) uydurarak açıklar.
Yerel, Genel Değil
Kara kutu bir model genel olarak son derece doğrusal olmayan bir yapıya sahip olabilir, ancak tek bir noktanın yakınında yaklaşık olarak doğrusaldır. LIME bundan yararlanır: modelin tamamını değil, yalnızca önem verdiğiniz örneğin çevresindeki davranışını yerel olarak açıklar.
LIME Nasıl Çalışır
LIME, çok sayıda yakın örnek oluşturmak için örneği değiştirir, kara kutu modelinden bunları etiketlemesini ister, örnekleri asıl örneğe yakınlıklarına göre ağırlıklandırır ve ardından yorumlanabilir bir vekil model uydurur. Vekil modelin katsayıları açıklamayı oluşturur.
Modelden Bağımsız
LIME yalnızca modelin tahmin işlevini çağırdığı için herhangi bir sınıflandırıcı veya regresyon modeliyle çalışır: sinir ağları, gradyan artırma modelleri ve hatta harici bir API. Modeli kara kutu olarak ele alır.
LimeTabularExplainer
Tablo biçimli veriler için eğitim verilerinden ve özellik adlarından bir LimeTabularExplainer oluşturursunuz. Gerçekçi değişiklikler oluşturmak için eğitim dağılımını kullanır.
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
Tek bir satırı açıklamak için satırı ve modelin predict_proba işlevini explain_instance çağrısına aktarırsınız. LIME, o satırın çevresinde değişiklikler yapar ve yerel vekil modeli uydurur.
exp = explainer.explain_instance(
data_row=X_test.values[0],
predict_fn=model.predict_proba,
num_features=5,
)predict_proba, predict Değil
Sınıflandırma için LIME'ın olasılıklara ihtiyacı vardır; kesin etiketlere değil. Bunun nedeni, vekil modelin olasılık yüzeyine regresyon uygulamasıdır. Her zaman model.predict_proba işlevini (veya sınıf olasılıklarını döndüren herhangi bir işlevi) aktarın.
num_features Parametresi
num_features, açıklamada görünecek özellik sayısını sınırlar. Daha küçük bir sayı, yalnızca en güçlü yerel etkenleri öne çıkaran, daha basit ve anlaşılması kolay bir açıklama sağlar.
Özellik Ağırlıklarını Okuma
exp.as_list(), açıklamayı (özellik koşulu, ağırlık) çiftleri olarak döndürür. Pozitif ağırlık tahmini, tahmin edilen sınıfa doğru yönlendirir; negatif ağırlık ise bu sınıftan uzaklaştırır.
for feature, weight in exp.as_list():
print(feature, round(weight, 3))
# income > 50000 0.21
# debt_ratio > 0.4 -0.18Açıklamayı Görselleştirme
LIME, açıklamayı etkileşimli bir grafik veya not defteri görünümü olarak oluşturabilir; katkı çubuklarını ve tahmin edilen olasılıkları yan yana gösterir.
exp.show_in_notebook(show_table=True)
# or
fig = exp.as_pyplot_figure()LIME ve SHAP Karşılaştırması
Her ikisi de bireysel tahminleri açıklar, ancak aralarında farklar vardır:
- SHAP, güçlü kuramsal güvencelere (toplanabilirlik, tutarlılık) ve genel bir görünüme sahiptir
- LIME daha kolay kavranır, modelden bağımsızdır ve sezgiseldir; ancak yerel vekil modeli bir yaklaşımdır ve değişikliklerin rastlantısallığına göre farklılık gösterebilir
Hızlı Kontrol
LIME konusundaki bilginizi sınayın.
Özet
LIME ile yerel açıklamaları öğrendiniz:
- LimeTabularExplainer, eğitim verilerinden ve özellik adlarından oluşturulur
explain_instance, yerel bir vekil model oluşturmak içinmodel.predict_probaişlevini kullanır- num_features, açıklamanın boyutunu belirler
as_list(), işaretli özellik ağırlıklarını döndürür- LIME modelden bağımsız ve yereldir; SHAP'ı tamamlar
Sıkça Sorulan Sorular
“LIME: Yerel Yorumlanabilir Açıklamalar” dersi ücretsiz mi?
Evet — “LIME: Yerel Yorumlanabilir Açıklamalar” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Learn AI with Python kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Learn AI with Python kursu toplamda 4 dersten oluşur.
“LIME: Yerel Yorumlanabilir Açıklamalar” dersinde ne öğreneceğim?
lime.tabular.LimeTabularExplainer, girdiyi değiştirerek deneme, yerel doğrusal yaklaştırma. Learn AI with Python ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
Learn AI with Python öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te Learn AI with Python, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 3. dersidir.
“LIME: Yerel Yorumlanabilir Açıklamalar” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu Learn AI with Python dersinde kod yazıp çalıştırabilir miyim?
Evet. Her Learn AI with Python dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- Makine Öğrenmesi Modellerinde Önyargı Tespiti
- Model Açıklanabilirliği için SHAP Değerleri
- LIME: Yerel Yorumlanabilir Açıklamalar
- Yapay Zeka Etiği ve Yönetişim Çerçeveleri