趋近智

所有课程

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

章节 2: 局部可解释模型无关解释 (LIME)

课程章节

2.1 LIME 的基本思想
2.2 LIME 的工作原理：扰动与替代模型
2.3 将 LIME 应用于表格数据
2.4 LIME 在文本数据上的应用
2.5 解读 LIME 解释
2.6 使用 Python 实现 LIME
2.7 LIME的局限性与注意事项
2.8 动手实践：生成 LIME 解释

© 2025 ApX Machine Learning