表格資料的特徵是欄位，文字的特徵是詞，那影像呢？224×224 個像素？不 — LIME 用一招漂亮的轉換，把影像變回「可以線性逼近」的東西。本頁帶你看完整 pipeline，並重現經典的哈士奇 → 狼偏誤案例。
LIME 的精神是「找一個簡單的線性模型來近似黑盒模型在這個樣本附近的行為」。但要做線性迴歸，得先有特徵。不同資料型態，特徵長得很不一樣。
特徵已經是離散、有意義的單位。直接擾動數值即可。
擾動方式：隨機把詞拿掉（或換成 [UNK]）看分類機率變化。
單一像素沒意義 — 224×224 = 5 萬個太多了。聚成 50~100 個 superpixel 才是線性可逼近的特徵。
換句話說：影像 LIME 的關鍵第一步，不是訓練模型，而是把連續的像素場切成有意義的區塊。這一切的開始，叫做 Superpixel Segmentation。
Superpixel 演算法把顏色相近、空間相鄰的像素聚成一個區塊。最常用的是 SLIC（Simple Linear Iterative Clustering），它本質上是在 5 維空間（R, G, B, x, y）上做 K-means。
分割完之後，原本 50000 個像素變成大約 50~100 個 superpixel。從此每個 superpixel 在 LIME 眼中就是一個特徵，狀態只有兩種：保留 或 遮蔽。
真實的 SLIC 通常會切出 50~200 個 superpixel，每個約 200~500 像素。為了讓示範清晰，這裡用語義級分割把貓的照片切成 9 塊：天空、草地、貓臉、雙耳、雙眼、鼻子、身體、腳。
實務上你可以選：
關鍵概念：切完後，原本連續的像素變成離散的開關陣列，這正是線性迴歸需要的特徵格式。
從一張原圖到一張帶解釋的圖，影像 LIME 走過五步。用上面那張貓圖一路跟到底：
輸入是一張要解釋的影像。LIME 不需要知道模型內部 — 它只會把影像餵進去，看模型吐出什麼機率。
但在開始之前，先把影像切成 superpixel，並建立一個「全開」的二進位向量 x = [1,1,1,1,1,1,1,1,1]。
這個向量是 LIME 整個分析的「原點」 — 每個位置代表一個 superpixel 是否保留。所有擾動樣本都會圍著它生成。
模型對原圖預測：cat: 0.85
2016 年 LIME 論文裡的這個例子已經是 XAI 教科書級別 — 一個訓練良好的「狼 vs 哈士奇」分類器，看起來準確率很高，但 LIME 揭穿了它真正在看的東西。
訓練集中：
模型在驗證集上拿到了 90%+ 的準確率，但它真正學會的不是「狼的特徵」 — 而是背景。
當你給它一張哈士奇在雪地的照片，它會自信滿滿地說：「這是狼。」
按下左邊「執行 LIME 解釋」 — 看看模型究竟把哪些區域當成了「狼」的證據：
LIME 高亮的「支持狼」區域全部集中在雪地上 — 哈士奇本身的臉、毛、耳朵幾乎沒有被當作判斷依據。這就是資料偏誤（dataset bias）透過 XAI 暴露出來的瞬間。如果沒有 LIME，這個模型可能會堂堂正正進入產線，直到某天部署在沒有雪的地方表現崩壞。
影像 LIME 是診斷工具，不是公布欄。錯誤的設定會給出誤導性的解釋。以下是常見的注意點：
LIME 是模型無關的可解釋 AI(XAI)方法,iPAS 中級科目三考點。重點:在單一預測附近用可解釋的簡單模型(線性)做局部近似,找出哪些特徵或影像區塊(superpixel)推動了這次判斷。易混點:LIME 是局部、單筆解釋(不是全局),且 model-agnostic(任何黑盒都能套);與 SHAP(基於 Shapley 值、有理論保證)路線不同。情境:解釋影像分類為何判成這類。
想練情境題與詳解 → AI 學習與考證地圖
Local Interpretable Model-agnostic Explanations，一種事後可解釋方法：對單一預測在其附近擾動取樣，用簡單模型(如線性)近似，解釋這次預測受哪些特徵影響。
Local 指只解釋單筆預測的局部行為(非整個模型)；Model-agnostic 指不需知道模型內部、把它當黑箱，任何模型都能解釋。
把影像切成超像素(superpixel)，隨機遮蔽部分區塊產生擾動樣本，看預測怎麼變，找出對該分類最關鍵的區域並標示。
解釋是局部近似、可能不穩(取樣隨機，每次略不同)、對擾動方式敏感、只說相關不保證因果，適合輔助理解而非絕對依據。
高風險領域(醫療、金融、司法)需要知道為什麼這樣判，以建立信任、除錯、合規與發現偏誤；黑箱模型不利問責。