目录
1.什么是LIME
2.思路
3.LIME在不同任务中的范式（待补充）
1.什么是LIME
简单理解：
对于分类任务：如下图所示，LIME可以列出分类结果，所依据特征对应给比重。
对于图像分类任务：如下图所示，可以标记出，分类结果对应的特征。并且可以表示出那些特征具有正向贡献，那些特征具有负向贡献。
对文本数据：如下图预测一封邮件是无神论还是有神论内容，可以给出预测结果对应的单词的比重。
2.思路
如下图所示：对于一个高维黑箱模型决策边界非常复杂，所以我们找到一个样本并从其邻域再选择一些样本，构成一个局部的小样本集 ，再将其输入到原模型得到预测结果，在根据其预测结果作为标签和模型得到的特征，用可解释性强的方法像，线性回归，树模型等训练出一个新的模型。这个新的模型就可以近似在局部邻域拟合出原模型的行为，该模型的权重就可以反应每个特征的贡献程度。
直观看：Global中两种颜色的交接为决策边界，LIME就是想找到Local局部决策边界，来表示全局的决策行为。也可以简单理解为，在全局是一个非线性曲线，但局部可以用一个线性曲线表示，LIME是一种通用范式，不是一种算法。
延深：也可以用可解性分析去评判一个模型好坏，尽管我们有一些模型评估方法，但这些方法都是从结果的好坏来评判一个模型，在实际应用中，我么会发现一个问题，可能一个模型能得到一个好的结果，但这个结果依据的特征却是不对的，比方说，我们要评价一份邮件是有神论还是无神论内容，下面两个算法都有好的结果，但第二个算法的依据中by和in这些常用介词显然不能作为结果的有效依据。
