趋近智
模型可解释性：SHAP与LIME方法
章节 1: 模型可解释性的基本原理
为何解释模型预测结果？
可解释性与解释性
可解释性方法分类
解释的范围：整体与个体
模型解释中的挑战
章节 2: 局部可解释模型无关解释 (LIME)
LIME 的基本思想
LIME 的工作原理：扰动与替代模型
将 LIME 应用于表格数据
LIME 在文本数据上的应用
解读 LIME 解释
使用 Python 实现 LIME
LIME的局限性与注意事项
动手实践：生成 LIME 解释
章节 3: SHapley 可加性解释 (SHAP)
Shapley 值概述
SHAP 值：Shapley 值与模型特征的关联
SHAP 值的特性
KernelSHAP：一种与模型无关的方法
TreeSHAP：针对树模型优化
解读 SHAP 图：力图
解读SHAP图：概览图与依赖图
SHAP 在 Python 中的实现
SHAP值计算：动手实践
章节 4: 比较与应用可解释性技术
LIME 与 SHAP：区别
LIME 与 SHAP：优点与不足
选择LIME和SHAP
回归模型解释的理解
分类模型解释的理解
将可解释性融入机器学习工作流程
常见问题与注意事项
实践：对比 LIME 和 SHAP 输出
可解释性与解释性
这部分内容有帮助吗？
- Towards a Rigorous Science of Interpretable Machine Learning, Finale Doshi-Velez, Been Kim, 2017 NeurIPS Workshop on Interpretable ML DOI: 10.48550/arXiv.1702.08608 - 界定并区分了可解释性和可解释性，提出了评估可解释机器学习的框架。
- Interpretable Machine Learning: A Guide for Making Black Box Models Explainable, Christoph Molnar, 2024 - 一本广泛引用的书籍，涵盖了可解释机器学习的定义、方法和应用。
- "Why Should I Trust You?": Explaining the Predictions of Any Classifier, Marco Tulio Ribeiro, Sameer Singh, Carlos Guestrin, 2016 Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (ACM) DOI: 10.1145/2939672.2939778 - 介绍了LIME，这是一种广泛使用的模型无关技术，用于黑盒模型预测的局部解释。
- A Unified Approach to Interpreting Model Predictions, Scott M. Lundberg, Su-In Lee, 2017 Advances in Neural Information Processing Systems 30, Vol. 30 (Curran Associates, Inc.) - 提出了SHAP（SHapley Additive exPlanations），一个使用Shapley值来解释预测的统一框架。