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
解读 SHAP 图：力图
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 30, Vol. 30 (Curran Associates, Inc.) - 介绍了 SHAP (SHapley Additive exPlanations) 框架，定义了 SHAP 值以及包括用于局部解释的力图在内的多种可视化方法。
- SHAP Documentation: Interpreting individual predictions with force plots, Scott Lundberg, 2024 - 提供了使用
shapPython 库生成和解释 SHAP 力图的官方指南和代码示例。 - Interpretable Machine Learning: A Guide for Making Black Box Models Explainable, Christoph Molnar, 2024 - 这本被广泛引用的在线书籍全面概述了模型可解释性方法，包括一个详细的章节解释 SHAP 值及其可视化表示（如力图）。