LIME 是什麼？

Local Interpretable Model-agnostic Explanations — LIME 的完整解釋

LIME 針對單筆預測，以局部線性模型近似複雜黑箱模型的行為，提供與模型無關的可解釋性

容易混淆

LIME vs SHAP LIME 做局部近似，SHAP 做特徵貢獻分配。 一個重速度和直覺，一個重理論與穩定性。

LIME vs 特徵重要性 特徵重要性常看整體，LIME 常看單筆。 一個回答模型平常怎麼想，一個回答這一次怎麼想。

最關鍵的區別： LIME 是單筆局部解釋，不是整體規則。

記住這句就好

先看這一筆附近，再解釋模型為什麼這樣判斷。

實際案例

信用審核 當客戶被拒絕時，LIME 可以指出影響最大的條件，像是逾期紀錄、負債比或收入不足。

醫療影像 醫師想知道模型為何判成肺炎，LIME 可以標出影像裡最敏感的區塊。

算法與應用

它會對原始樣本附近做擾動，產生一批鄰近樣本，再用黑箱模型去打分。 接著用簡單模型去近似這些鄰近樣本的行為，得到局部解釋。 這種方法快、直觀，但不是模型真實內部邏輯。

情境判斷

Q1（直覺題）： 你只想知道某一筆貸款為什麼被拒，該先看哪種解釋方法？

→ LIME 很適合，因為它主打單筆局部解釋。

Q2（判斷題）： LIME 跑出來的解釋，就等於模型真正的決策規則嗎？

→ 不是，它只是近似，所以要把它當成解讀工具，而不是模型內部原理。

LIME 在 iPAS 考試中的重點

根據歷年統計，LIME 相關題目 平均佔 AI 技術類考題 4%， 屬於未分類考範圍。

常見出題方向：可解釋人工智慧 (XAI) 的技術原理（40%）、LIME 演算法的運作機制與數學基礎（35%）、模型解釋性評估與實務應用（25%）。

常見問題

LIME 可以解釋所有模型嗎？

大多數情況下可以，因為它是 model-agnostic，不綁特定模型。

LIME 的結果穩定嗎？

不是每次都完全一樣，因為它依賴局部擾動，結果會受抽樣影響。

什麼時候不適合只用 LIME？

當你需要全局規則、很高穩定性，或要做嚴格審計時，通常還要搭配別的方法。