---
title: "局部可解釋模型無關解釋（LIME）"
slug: lime
language: zh-TW
source: https://aiterms.tw/terms/lime
updated_at: 2026-06-22
tags: [AI倫理與治理, 機器學習, 模型評估, MLOps]
ipas_term: false
---

# 局部可解釋模型無關解釋（LIME）

局部可解釋模型無關解釋（Local Interpretable Model-Agnostic Explanations, LIME）是一種模型可解釋性技術，透過在單一預測結果附近擾動輸入資料並訓練簡單

## 完整說明

局部可解釋模型無關解釋（LIME）的核心思想是：即使整個模型的決策邊界極為複雜，在單個預測樣本的局部鄰域內，模型的行為可以被一個簡單的線性模型近似解釋。LIME 對待解釋的樣本進行隨機擾動生成鄰域資料集，根據擾動樣本與原樣本的距離分配權重，訓練加權線性回歸作為局部代理模型，提取最具影響力的特徵作為解釋。相較於全局解釋方法，LIME 能針對每個具體預測提供個別化解釋，適合高風險決策場景的審計與信任建立。

## 常見問題

### LIME 和 SHAP 在實際專案中如何選擇？

兩者都能解釋黑箱模型對個別樣本的預測，差異在於精確性、速度和適用場景。LIME 速度較快，實現簡單，適合需要快速生成大量個別解釋的情境（如批次生成信用評分解釋報告），以及影像和文字等非結構化資料（超像素遮蔽、詞語移除的視覺化直觀）。SHAP 計算成本較高，但具備數學保證（特徵貢獻值加總等於預測值與基準值的差），適合需要嚴格可解釋性的監管合規場景，以及希望同時比較多個樣本間特徵重要性分布的情況。實務上常同時使用：SHAP 做全局特徵分析，LIME 針對個別高風險決策生成快速解釋。

### LIME 的解釋可信度如何評估？

評估 LIME 解釋可信度需從三個層面檢查。第一，穩定性：多次執行（不同隨機種子）是否產生一致的特徵排序？若每次執行差異顯著，代表局部邊界不穩定，解釋不可信。第二，保真度（Fidelity）：局部代理線性模型在鄰域樣本上的 R² 是否夠高？R² 低代表線性模型無法良好近似黑箱模型的局部行為，解釋精確度有限。第三，合理性：對領域專家是否有意義？例如，醫療影像分類中，LIME 高亮顯示的區域是否符合醫學知識（腫瘤位置、邊緣特徵），若 LIME 高亮的是影像背景或醫療器械，代表模型可能存在偏差。

### iPAS 考題中 LIME 常以什麼方式出題？

iPAS 考題中 LIME 的出題角度通常涉及 AI 可解釋性（XAI）的概念框架。常見考點：一是 LIME 的「局部-模型無關」定位（能解釋任意模型、針對單個預測、用局部線性近似）；二是 LIME 與 SHAP 的比較（LIME 較快但數學保證較弱、SHAP 基於 Shapley 值有加總性保證）；三是 LIME 在高風險場景（醫療、金融）中的應用理由（法規要求解釋個別決策的原因）；四是 LIME 的已知缺陷（隨機性導致解釋不穩定、揭示相關性而非因果性）。考生應能說明 LIME 的基本運作機制（擾動輸入→查詢模型→加權擬合線性模型）。

---

來源：https://aiterms.tw/terms/lime
快查頁：https://aiterms.tw/terms/lime
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-lime