SHAP与LIME模型可解释性对比

LIME (Local Interpretable Model-agnostic Explanations, Ribeiro 2016)：

• 原理：在预测点附近训练一个可解释的局部代理模型（线性回归/决策树）
• 采样：对输入加噪声生成邻域样本，按距离加权
• 输出：特征的线性权重（局部重要性）
• 优点：快速、直观、模型无关
• 缺点：稳定性差（邻域定义敏感）、无全局一致性

SHAP (SHapley Additive exPlanations, Lundberg 2017)：

• 原理：基于博弈论Shapley Values，计算每个特征在所有特征子集中的平均边际贡献
• 满足三大公理：局部准确性、缺失性、一致性
• 输出：基值+各特征贡献值（可加性）
• 优点：理论保证、全局一致性、支持交互效应分析
• 缺点：精确计算O(2^n)复杂度，需近似(如KernelSHAP、TreeSHAP)

选择建议：

• 快速分析/树模型 → TreeSHAP（精确且快）
• 深度学习/文本/图像 → SHAP DeepExplainer或GradientExplainer
• 需要稳定性 → SHAP优于LIME
• 探索性分析 → LIME速度快

两者输出均为特征重要性，但SHAP理论根基更坚实。