⑤ ディープラーニングの応用例 ／ 33. モデルの解釈性
LIMEとは
LIMEとは、入力周辺に擬似データを生成し、局所的に線形モデルで近似することで予測根拠を説明する手法です。モデル非依存で幅広く適用できます。
この用語はG検定シラバスの「33. モデルの解釈性」に含まれます。 章全体の用語は用語解説⑤（全133語）にまとまっています。
一言でいうと
知りたい1件の周辺だけを単純なモデルで近似し、その予測理由を説明する手法です。
全体ではなく局所を見る
複雑なモデル全体を単純な式で表すことはできません。しかしある1点の周辺に限れば、単純な直線で近似できます。
LIMEは知りたい入力の近くに少しずつ変えた擬似データを作り、モデルの出力を集めます。そこから局所的な線形モデルを当てはめて説明します。
モデル非依存という強み
モデルの中身を一切見ません。入力を与えて出力を得られれば何にでも使えます。
ディープラーニングでもランダムフォレストでも同じように適用できます。この汎用性が大きな利点です。CAM系がCNN専用なのとは対照的です。
説明の安定性
擬似データの生成がランダムなため、実行するたびに説明が少し変わることがあります。
説明が安定しないことは信頼性の面で課題とされており、SHAPが選ばれる理由の1つになっています。
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| LIME | 局所を線形近似。高速だが近似の安定性に課題 |
| SHAP | シャープレイ値。理論的に公平だが計算コスト大 |
🎯 G検定での押さえどころ
- 局所的に線形近似して説明する
- モデル非依存で何にでも使える
- 擬似データを生成して近似する
⚠️ よくある誤りの選択肢
- 「LIMEはモデルの内部構造を解析する手法である」→ 誤り。中身を見ないモデル非依存の手法です
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「モデルの近似」（E資格向け）
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。