LIME と SHAP の違い（XAI 深掘り）は関連概念を切り分けるための考え方です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk xai cheatsheet

G検定トップ ＞ LIME と SHAP の違い（XAI 深掘り）

まず結論

  • LIME：局所的・近似的に「その1件」を説明
  • SHAP：理論的に厳密に「寄与度」を説明
  • 速さ・手軽さはLIME、理論的一貫性はSHAP

👉 G検定では
「局所か／寄与度か」 で切る。

直感的な説明

一言で言うと👇

  • LIME
    → その予測だけを後付けで説明
  • SHAP
    → 全特徴量の貢献度を数値で説明

例えるなら、

  • LIME：
    「この1回の診断で、ここが効いた」
  • SHAP：
    「全体として、この特徴がどれくらい重要」

定義・仕組み

LIME（Local Interpretable Model-agnostic Explanations）

  • 対象データの周辺を 擬似データで揺らす
  • 単純な線形モデルで近似
  • 局所的説明 に特化

👉
「この入力に対するこの出力」

SHAP（SHapley Additive exPlanations）

  • ゲーム理論の シャープレイ値 を利用
  • 各特徴量の 寄与度を公平に分配
  • 理論的保証あり

👉
「どの特徴がどれくらい効いたか」

LIME と SHAP の違い（超重要）

観点 LIME SHAP
説明範囲 局所 局所＋大域
理論的裏付け 弱い 強い
計算コスト 低い 高い
安定性 ばらつく 一貫性あり
実装の手軽さ ◎ △
G検定頻度 高 高

いつ使う？（得意・不得意）

LIME が向く場面

  • 1件ごとの判断理由を知りたい
  • モデルに依存せず素早く説明
  • デバッグ・検証用途

SHAP が向く場面

  • 特徴量の重要度を正確に評価
  • 説明責任が重い分野（金融・医療）
  • 全体傾向の分析

G検定ひっかけポイント

❌ よくある誤解

  • ❌ 「LIMEは大域的説明が得意」
  • ❌ 「SHAPは軽量で高速」
  • ❌ 「どちらも同じ考え方」

✅ 正しい理解

  • LIME：近似・局所
  • SHAP：寄与度・理論
  • 速さ vs 厳密さ

試験での即断フレーズ

  • 「シャープレイ値」
    → SHAP
  • 「局所的な説明」
    → LIME
  • 「理論的一貫性」
    → SHAP

まとめ（試験直前用）

  • LIME：局所・近似・高速
  • SHAP：寄与度・厳密・重い
  • 目的が違う
  • XAIは精度向上ではない

👉 次は
XAI × AI倫理（説明責任・公平性）
を押さえると完成です。

🔗 関連記事

🏠 G検トップに戻る