Popular GitHub Repositories for Lime

Shapash：易于使用的可解释性和可理解性工具，用于开发可靠且透明的机器学习模型

将Marco Tulio Ribeiro、Sameer Singh和Carlos Guestrin提出的LIME算法应用于时间序列分类领域

针对事后解释技术（LIME/SHAP）的对抗性攻击

不同模型可解释性库的概述

局部可解释模型无关的可视化解释——基于LIME方法的回归问题和表格数据的模型可视化工具，已在CRAN上可用。

这项工作提出了一种确定性版本的局部可解释模型无关解释（LIME），并在三个不同的医学数据集上的实验结果表明，确定性局部可解释模型无关解释（DLIME）具有优越性。

一个利用LIME算法解释“黑盒”机器学习算法（此处为随机森林回归器）决策过程的实际案例，展示了该算法如何提供对模型决策的深入理解。

CEBaB：评估现实世界概念对自然语言处理模型行为的因果效应

考虑因果关系的局部可解释模型无关解释

一个平台，让用户可以轻松访问Montimage开发的AI服务，并使用可解释AI技术（例如LIME、SHAP）。

使用LIME（局部可解释模型无关解释）解释文本数据

对与灾难事件相关的推文进行分类。这需要掌握NLP基础知识，重点学习文本嵌入、可解释性和LIME的使用，并利用Keras构建一维卷积神经网络（1D CNN）

使用三种基于卷积神经网络（CNN）的模型，在法语数据集上应用Grad-CAM方法进行自然语言处理分类任务。

解读机器学习模型

一个基于BERT增强、情感分析、XGBoost模型、TF-IDF向量化和LIME可解释性技术的网页应用，用于检测文本中的攻击性和厌女症言论。（该论文已被2021年ICON会议接收）

利用LIME和SHAP解释机器学习黑盒模型

对抗性攻击后验解释方法：欺骗LIME和SHAP的实现

一个多语言图像模式数据集和一个可解释的提取模型

这个仓库包含我在智能分析课程中完成的作品和学习成果。内容涵盖感知器、支持向量机、深度学习方法、降维、决策树、集成方法等等。这是我持续学习该主题的资料库。

基于对比学习的API方面分析