LIME：局部可解释性说明
lime.tabular.LimeTabularExplainer、扰动输入和局部线性近似。
LIME：局部可解释性说明 是 CoddyKit 上的免费 Learn AI with Python 课时。 这是第 3 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Learn AI with Python 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Learn AI with Python 课程共包含 4 节课。
什么是 LIME
LIME（局部可解释的模型无关解释）通过在某个实例周围的小范围邻域内，为复杂模型的行为拟合一个简单且可解释的模型（例如线性回归），从而解释单次预测。
局部而非总体
黑箱模型在整体上可能具有高度非线性的行为，但在某个点附近通常可以近似看作线性。LIME 正是利用了这一点：它不解释整个模型，只解释您关注的实例周围的局部行为。
LIME 的工作原理
LIME 会扰动该实例以生成许多邻近样本，让黑箱模型为这些样本生成标签，根据样本与原实例的接近程度进行加权，然后拟合一个可解释的代理模型。代理模型的系数就构成了解释结果。
与模型无关
由于 LIME 只调用模型的预测函数，因此它适用于任何分类器或回归器：神经网络、梯度提升模型，甚至外部 API。它将模型视为黑箱。
LimeTabularExplainer
对于表格数据，您可以根据训练数据和特征名称构建一个 LimeTabularExplainer。它会利用训练数据的分布来生成符合实际的扰动样本。
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
要解释某一行数据，请将该行以及模型的 predict_proba 函数传给 explain_instance。LIME 会围绕该行生成扰动样本，并拟合局部代理模型。
exp = explainer.explain_instance(
data_row=X_test.values[0],
predict_fn=model.predict_proba,
num_features=5,
)使用概率预测，而不是类别预测
用于分类的 LIME 需要概率而不是硬标签，因为代理模型是在概率曲面上进行回归。请始终传入 model.predict_proba（或任何返回类别概率的函数）。
特征数量参数
num_features 会限制解释中显示的特征数量。数量较少时，解释会更加简单易懂，只突出最强的局部影响因素。
解读特征权重
exp.as_list() 会以（特征条件、权重）对的形式返回解释结果。正权重会将预测推向预测类别；负权重则会将预测推离该类别。
for feature, weight in exp.as_list():
print(feature, round(weight, 3))
# income > 50000 0.21
# debt_ratio > 0.4 -0.18可视化解释结果
LIME 可以将解释结果呈现为交互式图表或笔记本视图，并排显示贡献条和预测概率。
exp.show_in_notebook(show_table=True)
# or
fig = exp.as_pyplot_figure()LIME 与 SHAP 的比较
两者都能解释单次预测，但各有不同：
- SHAP具有较强的理论保证（可加性、一致性），并且能够提供总体视图
- LIME更容易理解，与模型无关且直观，但它的局部代理模型只是近似结果，可能会因扰动的随机性而变化
快速检查
测试您对 LIME 的理解。
回顾
您学会了使用 LIME 进行局部解释：
- LimeTabularExplainer根据训练数据和特征名称构建
explain_instance使用model.predict_proba拟合局部代理模型- 特征数量控制解释的规模
as_list()返回带正负号的特征权重- LIME 与模型无关且关注局部，可作为 SHAP 的补充
常见问题解答
「LIME：局部可解释性说明」课时是免费的吗？
是的 — 「LIME：局部可解释性说明」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Learn AI with Python 课程的其余内容，请升级到 CoddyKit PRO。 Learn AI with Python 课程共包含 4 节课。
「LIME：局部可解释性说明」这节课中我会学到什么？
lime.tabular.LimeTabularExplainer、扰动输入和局部线性近似。 你通过在浏览器中直接运行的动手代码来练习 Learn AI with Python，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Learn AI with Python 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Learn AI with Python 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 3 节课，共 4 节。
「LIME：局部可解释性说明」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Learn AI with Python 课中编写并运行代码吗？
能。每节 Learn AI with Python 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 检测机器学习模型中的偏见
- 用于模型可解释性的 SHAP 值
- LIME：局部可解释性说明
- 人工智能伦理与治理框架