解析：
LIME 是一種後處理（post-hoc）解釋技術，它不改變原始模型，而是在模型訓練完成後，透過局部近似的方式對已訓練模型的預測結果提供解釋。它與模型本身的結構無關（model-agnostic）。
你有沒有被 AI 拒絕過申請，卻不知道它到底在看什麼？ 你可以把 LIME 想成，先在這一筆資料附近做小實驗，再推回模型為什麼這樣判斷。 它其實就是一種針對單筆預測的局部解釋方法。 不管底下是樹模型、神經網路還是其他黑箱模型，它都能派上用場。
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。
iPAS 考題
Q：LIME 最核心的用途是什麼？ 用局部近似的方式，解釋黑箱模型對單筆資料的預測原因。
Q：LIME 和 SHAP 最大差異是什麼？ LIME 偏局部近似，SHAP 偏特徵貢獻分配與一致性。
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。
範例考題
在可解釋 AI（Explainable AI, XAI）的分類架構中，LIME（Local Interpretable Model-agnostic Explanations）屬於哪一類解釋技術？
- A. 內建可解釋模型（Intrinsic Interpretability）：模型本身具有透明的決策結構
- B. 對話式解釋系統（Conversational AI Explainer）：透過互動對話提供模型解釋
- C. 後處理模型解釋（post-hoc）：對已訓練模型提供外部解釋 ✓ 正確答案
- D. 代理模型技術（Surrogate Model）：訓練另一個簡單模型來完全取代原黑盒模型進行推論