Skip to the content.

最終更新日:2026年9月24日

まず結論

  • LIME:説明したい入力の周辺を、解釈しやすい単純モデルで局所近似
  • SHAP:ゲーム理論のShapley値を基礎に、特徴量の寄与を表す

G検定では、

局所近似 → LIME
Shapley値 → SHAP

で切ります。

直感的な説明

LIME

「この1件の近くだけなら、単純なモデルでどう説明できるか?」を見ます。

SHAP

「基準となる予測から、この特徴がどれくらい押し上げ・押し下げたか?」を寄与として表します。

定義・仕組み

LIME

説明対象の周辺に摂動データを作り、元モデルの出力を取得し、その近傍で線形モデルなどの単純な代理モデルを学習します。

そのため、

  • モデル非依存
  • 局所説明
  • 近似方法やサンプリングに依存

という特徴があります。

SHAP

Shapley値を基礎に、予測と基準値の差を特徴量寄与へ分解する枠組みです。

ただしSHAPには複数の計算方法があり、

  • 厳密計算
  • 近似計算
  • 特定モデル向け高速アルゴリズム

などがあります。

したがって、

SHAPは常に厳密計算
SHAPは常にLIMEより遅い

とは言えません。

いつ使う?(得意・不得意)

LIMEは個別予測を局所的に説明したい場合に使われます。

SHAPは個別予測の寄与説明に加え、複数サンプルのSHAP値を集約して全体傾向を見ることもできます。

どちらも、説明結果が因果関係を証明するわけではありません。

G検定ひっかけポイント

LIME

❌ Shapley値を使う
⭕ 局所代理モデルで近似

SHAP

❌ 性能低下量を測るだけ
⭕ Shapley値に基づく特徴量寄与

速度

❌ LIMEは必ず速くSHAPは必ず遅い
⭕ 実装・モデル・近似方法による

まとめ(試験直前用)

  • LIME=局所近似
  • SHAP=Shapley値
  • SHAPは局所説明にも全体傾向にも使える
  • SHAPには厳密・近似など複数方式がある
  • 速度や精度を固定順位で覚えない

参考資料

© 2024-2026 stemtazoo. All rights reserved.