LIME：一种解释机器学习模型的方法

原文链接：LIME - Local Interpretable Model-Agnostic Explanations
译者：赵屹华 审校：刘翔宇
责编：周建丁（投稿请联系zhoujd@csdn.net）

在本文中，我们将介绍一种方法，用来解释这篇论文中的任何一种分类器的预测结果，并且用开源包来实现。

动机：我们为什么要理解预测结果？

机器学习如今是非常火的一个话题。随着计算机在围棋等游戏中击败人类专家，许多人不禁要问机器是否也能胜任司机的工作，甚至是取代医生？

现在很多前沿的机器学习模型还是一个黑盒，几乎无法去感知它的内部工作状态。这就给我们带来了可信度的问题：我该相信那个模型的某个预测结果是正确的吗？或者说我该相信那个模型的预测结果普遍都是合理的吗？围棋游戏的赌注还是小事，如果让计算机取代医生可算一件大事了，或者让计算机判断我是不是恐怖分子嫌疑人（《疑犯追踪》）。更通俗的来说，如果一家公司正准备替换上一套基于机器学习的系统，它就要确保机器学习模型的工作状态是良好的。

从直观上看，解释每次独立预测背后的基本原理能使我们更容易信任或是不信任预测结果，乃至分类器本身。即使我们无法理解模型在所有情况下的表现，却有可能理解（