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
权衡与局限性
实践：对比 LIME 和 SHAP 输出
KernelSHAP：一种与模型无关的方法
这部分内容有帮助吗？
- A Unified Approach to Interpreting Model Predictions, Scott M. Lundberg, Su-In Lee, 2017 Advances in Neural Information Processing Systems, Vol. 30 (Curran Associates, Inc.) DOI: 10.5555/3295222.3295328 - 介绍SHAP、KernelSHAP和TreeSHAP的原始研究，基于Shapley值统一了模型解释方法。
- SHAP (SHapley Additive exPlanations) Documentation, Scott Lundberg and SHAP Contributors, 2024 - 提供SHAP（包括KernelSHAP）的实践指导和API参考，包含代码示例。
- Interpretable Machine Learning: A Guide for Making Black Box Models Explainable, Christoph Molnar, 2024 (Self-published) - 详细易懂地解释了KernelSHAP及其在模型可解释性中的背景，基于原始论文。