[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-marcotcr--lime":3,"tool-marcotcr--lime":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160015,2,"2026-04-18T11:30:52",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":76,"owner_url":77,"languages":78,"stars":97,"forks":98,"last_commit_at":99,"license":100,"difficulty_score":101,"env_os":102,"env_gpu":102,"env_ram":102,"env_deps":103,"category_tags":112,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":145},9225,"marcotcr\u002Flime","lime","Lime: Explaining the predictions of any machine learning classifier","Lime 是一款致力于揭开机器学习“黑盒”面纱的开源工具，全称为“局部可解释模型无关解释”。它的核心使命是帮助用户理解复杂的分类模型究竟是如何做出具体预测的。在人工智能应用中，许多高精度模型往往缺乏透明度，用户难以知晓模型是依据哪些特征得出了结论，而 Lime 正是为了解决这一信任与可解释性难题而生。\n\n无论是文本分类、表格数据分析还是图像识别，只要模型能输出各类别的概率，Lime 就能对其单个预测结果提供直观的解释。其独特的技术亮点在于“模型无关”与“局部近似”：它不依赖特定算法内部结构，而是通过在预测点附近扰动数据并构建简单的局部代理模型，从而精准定位影响决策的关键因素。例如，它能高亮显示文本中决定分类的关键词，或在图片中标记出被识别为“猫”的具体像素区域。\n\nLime 非常适合机器学习开发者、数据科学家及研究人员使用。它能协助开发者调试模型偏差，帮助研究人员验证假设，也能让业务人员更放心地采纳 AI 决策建议。通过生成易于理解的 HTML 报告或可视化图表，Lime 让复杂的算法逻辑变得清晰可见，是连接高精度模型与人类理解之间的重要桥梁。","# lime\n\n[![Build Status](https:\u002F\u002Ftravis-ci.org\u002Fmarcotcr\u002Flime.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fmarcotcr\u002Flime)\n[![Binder](https:\u002F\u002Fmybinder.org\u002Fbadge_logo.svg)](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Fmarcotcr\u002Flime\u002Fmaster)\n\nThis project is about explaining what machine learning classifiers (or models) are doing.\nAt the moment, we support explaining individual predictions for text classifiers or classifiers that act on tables (numpy arrays of numerical or categorical data) or images, with a package called lime (short for local interpretable model-agnostic explanations).\nLime is based on the work presented in [this paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1602.04938) ([bibtex here for citation](https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Fblob\u002Fmaster\u002Fcitation.bib)). Here is a link to the promo video:\n\n\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=hUnRCxnydCc\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmarcotcr_lime_readme_530533a9ce2f.png\" width=\"450\" alt=\"KDD promo video\"\u002F>\u003C\u002Fa>\n\nOur plan is to add more packages that help users understand and interact meaningfully with machine learning.\n\nLime is able to explain any black box classifier, with two or more classes. All we require is that the classifier implements a function that takes in raw text or a numpy array and outputs a probability for each class. Support for scikit-learn classifiers is built-in.\n\n## Installation\n\nThe lime package is on [PyPI](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Flime). Simply run:\n\n```sh\npip install lime\n```\n\nOr clone the repository and run:\n\n```sh\npip install .\n```\n\nWe dropped python2 support in `0.2.0`, `0.1.1.37` was the last version before that.\n\n## Screenshots\n\nBelow are some screenshots of lime explanations. These are generated in html, and can be easily produced and embedded in ipython notebooks. We also support visualizations using matplotlib, although they don't look as nice as these ones.\n\n#### Two class case, text\n\nNegative (blue) words indicate atheism, while positive (orange) words indicate christian. The way to interpret the weights by applying them to the prediction probabilities. For example, if we remove the words Host and NNTP from the document, we expect the classifier to predict atheism with probability 0.58 - 0.14 - 0.11 = 0.31.\n\n![twoclass](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmarcotcr_lime_readme_5e986d04dab9.png)\n\n#### Multiclass case\n\n![multiclass](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmarcotcr_lime_readme_f9d7950706fd.png)\n\n#### Tabular data\n\n![tabular](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmarcotcr_lime_readme_4cc0fa6d1d2f.png)\n\n#### Images (explaining prediction of 'Cat' in pros and cons)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmarcotcr_lime_readme_409c24d779a8.png\" width=200 \u002F>\n\n## Tutorials and API\n\nFor example usage for text classifiers, take a look at the following two tutorials (generated from ipython notebooks):\n\n- [Basic usage, two class. We explain random forest classifiers.](https:\u002F\u002Fmarcotcr.github.io\u002Flime\u002Ftutorials\u002FLime%20-%20basic%20usage%2C%20two%20class%20case.html)\n- [Multiclass case](https:\u002F\u002Fmarcotcr.github.io\u002Flime\u002Ftutorials\u002FLime%20-%20multiclass.html)\n\nFor classifiers that use numerical or categorical data, take a look at the following tutorial (this is newer, so please let me know if you find something wrong):\n\n- [Tabular data](https:\u002F\u002Fmarcotcr.github.io\u002Flime\u002Ftutorials\u002FTutorial%20-%20continuous%20and%20categorical%20features.html)\n- [Tabular data with H2O models](https:\u002F\u002Fmarcotcr.github.io\u002Flime\u002Ftutorials\u002FTutorial_H2O_continuous_and_cat.html)\n- [Latin Hypercube Sampling](doc\u002Fnotebooks\u002FLatin%20Hypercube%20Sampling.ipynb)\n\nFor image classifiers:\n\n- [Images - basic](https:\u002F\u002Fmarcotcr.github.io\u002Flime\u002Ftutorials\u002FTutorial%20-%20images.html)\n- [Images - Faces](https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Fblob\u002Fmaster\u002Fdoc\u002Fnotebooks\u002FTutorial%20-%20Faces%20and%20GradBoost.ipynb)\n- [Images with Keras](https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Fblob\u002Fmaster\u002Fdoc\u002Fnotebooks\u002FTutorial%20-%20Image%20Classification%20Keras.ipynb)\n- [MNIST with random forests](https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Fblob\u002Fmaster\u002Fdoc\u002Fnotebooks\u002FTutorial%20-%20MNIST%20and%20RF.ipynb)\n- [Images with PyTorch](https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Fblob\u002Fmaster\u002Fdoc\u002Fnotebooks\u002FTutorial%20-%20images%20-%20Pytorch.ipynb)\n\nFor regression:\n\n- [Simple regression](https:\u002F\u002Fmarcotcr.github.io\u002Flime\u002Ftutorials\u002FUsing%2Blime%2Bfor%2Bregression.html)\n\nSubmodular Pick:\n\n- [Submodular Pick](https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Ftree\u002Fmaster\u002Fdoc\u002Fnotebooks\u002FSubmodular%20Pick%20examples.ipynb)\n\nThe raw (non-html) notebooks for these tutorials are available [here](https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Ftree\u002Fmaster\u002Fdoc\u002Fnotebooks).\n\nThe API reference is available [here](https:\u002F\u002Flime-ml.readthedocs.io\u002Fen\u002Flatest\u002F).\n\n## What are explanations?\n\nIntuitively, an explanation is a local linear approximation of the model's behaviour.\nWhile the model may be very complex globally, it is easier to approximate it around the vicinity of a particular instance.\nWhile treating the model as a black box, we perturb the instance we want to explain and learn a sparse linear model around it, as an explanation.\nThe figure below illustrates the intuition for this procedure. The model's decision function is represented by the blue\u002Fpink background, and is clearly nonlinear.\nThe bright red cross is the instance being explained (let's call it X).\nWe sample instances around X, and weight them according to their proximity to X (weight here is indicated by size).\nWe then learn a linear model (dashed line) that approximates the model well in the vicinity of X, but not necessarily globally. For more information, [read our paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1602.04938), or take a look at [this blog post](https:\u002F\u002Fwww.oreilly.com\u002Flearning\u002Fintroduction-to-local-interpretable-model-agnostic-explanations-lime).\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmarcotcr_lime_readme_92352b078811.png\" width=300px \u002F>\n\n## Contributing\n\nPlease read [this](CONTRIBUTING.md).\n","# lime\n\n[![构建状态](https:\u002F\u002Ftravis-ci.org\u002Fmarcotcr\u002Flime.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fmarcotcr\u002Flime)\n[![Binder](https:\u002F\u002Fmybinder.org\u002Fbadge_logo.svg)](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Fmarcotcr\u002Flime\u002Fmaster)\n\n该项目旨在解释机器学习分类器（或模型）的工作原理。目前，我们支持对文本分类器、基于表格数据（数值或类别型的 NumPy 数组）的分类器以及图像分类器的单个预测进行解释，使用的工具包名为 lime（局部可解释且模型无关的解释方法的缩写）。Lime 的基础是发表在 [这篇论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F1602.04938) 中的工作（引用的 BibTeX 信息见 [此处](https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Fblob\u002Fmaster\u002Fcitation.bib)）。以下是宣传视频的链接：\n\n\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=hUnRCxnydCc\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmarcotcr_lime_readme_530533a9ce2f.png\" width=\"450\" alt=\"KDD 宣传视频\"\u002F>\u003C\u002Fa>\n\n我们的计划是增加更多帮助用户理解和有意义地与机器学习交互的工具包。\n\nLime 能够解释任何具有两个或以上类别的黑盒分类器。我们唯一的要求是该分类器需要实现一个函数，能够接收原始文本或 NumPy 数组作为输入，并输出每个类别的概率。对于 scikit-learn 分类器的支持已内置。\n\n## 安装\n\nlime 包已在 [PyPI](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Flime) 上发布。只需运行以下命令即可安装：\n\n```sh\npip install lime\n```\n\n或者克隆仓库并运行：\n\n```sh\npip install .\n```\n\n我们在 `0.2.0` 版本中放弃了对 Python 2 的支持，之前的最后一个版本是 `0.1.1.37`。\n\n## 截图\n\n以下是 lime 解释的一些截图。这些解释以 HTML 格式生成，可以轻松地在 IPython 笔记本中创建和嵌入。我们还支持使用 Matplotlib 进行可视化，尽管效果不如这些截图美观。\n\n#### 二分类情况，文本\n\n负向（蓝色）词语表示无神论，而正向（橙色）词语表示基督教。权重的解释方式是将其应用于预测概率上。例如，如果我们从文档中移除“Host”和“NNTP”这两个词，我们预计分类器会将无神论的概率从 0.58 降低到 0.58 - 0.14 - 0.11 = 0.31。\n\n![twoclass](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmarcotcr_lime_readme_5e986d04dab9.png)\n\n#### 多分类情况\n\n![multiclass](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmarcotcr_lime_readme_f9d7950706fd.png)\n\n#### 表格数据\n\n![tabular](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmarcotcr_lime_readme_4cc0fa6d1d2f.png)\n\n#### 图像（解释“猫”的预测，优缺点）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmarcotcr_lime_readme_409c24d779a8.png\" width=200 \u002F>\n\n## 教程和 API\n\n关于文本分类器的示例用法，请参阅以下两个教程（由 IPython 笔记本生成）：\n\n- [基本用法，二分类。我们解释随机森林分类器。](https:\u002F\u002Fmarcotcr.github.io\u002Flime\u002Ftutorials\u002FLime%20-%20basic%20usage%2C%20two%20class%20case.html)\n- [多分类情况](https:\u002F\u002Fmarcotcr.github.io\u002Flime\u002Ftutorials\u002FLime%20-%20multiclass.html)\n\n对于使用数值或类别型数据的分类器，请参阅以下教程（这是较新的内容，如果您发现任何问题，请告知我们）：\n\n- [表格数据](https:\u002F\u002Fmarcotcr.github.io\u002Flime\u002Ftutorials\u002FTutorial%20-%20continuous%20and%20categorical%20features.html)\n- [使用 H2O 模型的表格数据](https:\u002F\u002Fmarcotcr.github.io\u002Flime\u002Ftutorials\u002FTutorial_H2O_continuous_and_cat.html)\n- [拉丁超立方抽样](doc\u002Fnotebooks\u002FLatin%20Hypercube%20Sampling.ipynb)\n\n对于图像分类器：\n\n- [图像——基础](https:\u002F\u002Fmarcotcr.github.io\u002Flime\u002Ftutorials\u002FTutorial%20-%20images.html)\n- [人脸图像](https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Fblob\u002Fmaster\u002Fdoc\u002Fnotebooks\u002FTutorial%20-%20Faces%20and%20GradBoost.ipynb)\n- [使用 Keras 的图像](https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Fblob\u002Fmaster\u002Fdoc\u002Fnotebooks\u002FTutorial%20-%20Image%20Classification%20Keras.ipynb)\n- [MNIST 数据集与随机森林](https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Fblob\u002Fmaster\u002Fdoc\u002Fnotebooks\u002FTutorial%20-%20MNIST%20and%20RF.ipynb)\n- [使用 PyTorch 的图像](https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Fblob\u002Fmaster\u002Fdoc\u002Fnotebooks\u002FTutorial%20-%20images%20-%20Pytorch.ipynb)\n\n对于回归任务：\n\n- [简单回归](https:\u002F\u002Fmarcotcr.github.io\u002Flime\u002Ftutorials\u002FUsing%2Blime%2Bfor%2Bregression.html)\n\n子模态选择：\n\n- [子模态选择](https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Ftree\u002Fmaster\u002Fdoc\u002Fnotebooks\u002FSubmodular%20Pick%20examples.ipynb)\n\n这些教程的原始（非 HTML）笔记本文件可在 [这里](https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Ftree\u002Fmaster\u002Fdoc\u002Fnotebooks) 获取。\n\nAPI 参考文档可在 [这里](https:\u002F\u002Flime-ml.readthedocs.io\u002Fen\u002Flatest\u002F) 查看。\n\n## 什么是解释？\n\n直观地说，解释是对模型行为的一种局部线性近似。虽然模型在全局范围内可能非常复杂，但在某个特定实例附近对其进行近似则相对容易。在将模型视为黑盒的情况下，我们会扰动要解释的实例，并在其周围学习一个稀疏的线性模型作为解释。下图展示了这一过程的直观理解。模型的决策函数由蓝粉色背景表示，显然是非线性的。红色十字代表正在被解释的实例（我们称之为 X）。我们在 X 周围采样实例，并根据它们与 X 的距离来加权（这里的权重由大小表示）。然后我们学习一个线性模型（虚线），它在 X 附近能很好地近似原模型，但并不一定在整个范围内都适用。如需更多信息，请阅读我们的论文 [https:\u002F\u002Farxiv.org\u002Fabs\u002F1602.04938](https:\u002F\u002Farxiv.org\u002Fabs\u002F1602.04938)，或查看 [这篇博客文章](https:\u002F\u002Fwww.oreilly.com\u002Flearning\u002Fintroduction-to-local-interpretable-model-agnostic-explanations-lime)。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmarcotcr_lime_readme_92352b078811.png\" width=300px \u002F>\n\n## 贡献\n\n请阅读 [此文档](CONTRIBUTING.md)。","# LIME 快速上手指南\n\nLIME (Local Interpretable Model-agnostic Explanations) 是一个用于解释机器学习模型预测结果的开源工具。它适用于文本、表格数据和图像分类器，能够以“黑盒”方式解释任何拥有两个或以上类别的分类器。\n\n## 环境准备\n\n*   **操作系统**：Linux, macOS, Windows\n*   **Python 版本**：Python 3.6 及以上（注：LIME 自 `0.2.0` 版本起已不再支持 Python 2）\n*   **前置依赖**：\n    *   `scikit-learn` (内置支持)\n    *   `numpy`, `scipy`\n    *   `matplotlib` (用于可视化)\n    *   针对特定任务可能需要：`tensorflow`, `keras`, `pytorch`, `h2o` 等\n\n## 安装步骤\n\n推荐使用 pip 进行安装。国内开发者可使用清华或阿里镜像源加速下载。\n\n**方式一：通过 PyPI 安装（推荐）**\n\n```sh\npip install lime -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n**方式二：从源码安装**\n\n```sh\ngit clone https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime.git\ncd lime\npip install . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n以下是一个最简单的示例，展示如何使用 LIME 解释一个基于 `scikit-learn` 的随机森林文本分类器的预测结果。\n\n### 1. 导入库并准备数据\n\n```python\nimport sklearn\nimport sklearn.datasets\nimport sklearn.ensemble\nimport numpy as np\nimport lime\nimport lime.lime_text\n```\n\n### 2. 训练一个简单的分类器\n\n这里使用 20 Newsgroups 数据集作为示例。\n\n```python\n# 加载数据\ncategories = ['alt.atheism', 'soc.religion.christian']\nnewsgroups_train = sklearn.datasets.fetch_20newsgroups(subset='train', categories=categories)\nnewsgroups_test = sklearn.datasets.fetch_20newsgroups(subset='test', categories=categories)\n\nclass_names = ['atheism', 'christian']\n\n# 向量化文本数据\nvectorizer = sklearn.feature_extraction.text.TfidfVectorizer(lowercase=False)\ntrain_vectors = vectorizer.fit_transform(newsgroups_train.data)\ntest_vectors = vectorizer.transform(newsgroups_test.data)\n\n# 训练随机森林分类器\nrf = sklearn.ensemble.RandomForestClassifier(n_estimators=500)\nrf.fit(train_vectors, newsgroups_train.target)\n```\n\n### 3. 创建解释器并解释单个样本\n\n```python\n# 选择要解释的测试样本索引\nidx = 0\ntext_to_explain = newsgroups_test.data[idx]\n\n# 定义预测函数，LIME 需要接收原始文本并返回概率\ndef predict_fn(texts):\n    vectors = vectorizer.transform(texts)\n    return rf.predict_proba(vectors)\n\n# 初始化文本解释器\nexplainer = lime.lime_text.LimeTextExplainer(class_names=class_names)\n\n# 生成解释\n# num_features: 希望展示多少个关键词作为解释依据\nexp = explainer.explain_instance(text_to_explain, predict_fn, num_features=6)\n\n# 打印解释结果\nprint('Document id: %d' % idx)\nprint('Probability(christian) =', rf.predict_proba(test_vectors[idx])[0][1])\nprint('True class: %s' % class_names[newsgroups_test.target[idx]])\nprint('\\nTop contributing features:')\nfor feature, weight in exp.as_list():\n    print(f'{feature}: {weight}')\n```\n\n### 4. 可视化结果\n\nLIME 支持将解释结果导出为 HTML 或在 Jupyter Notebook 中直接显示。\n\n```python\n# 在 Jupyter Notebook 中直接显示可视化图表\nexp.show_in_notebook(text=True)\n\n# 或者保存为 HTML 文件\nexp.save_to_file('explanation.html')\n```\n\n执行上述代码后，你将看到高亮显示的关键词及其对预测结果的正负贡献度（例如：橙色代表倾向于 \"christian\"，蓝色代表倾向于 \"atheism\"）。","某金融风控团队正在利用复杂的深度学习模型自动审批贷款申请，但面临监管要求必须解释拒贷原因的挑战。\n\n### 没有 lime 时\n- 模型如同“黑盒”，当拒绝某位优质客户的申请时，业务人员完全无法得知是收入不足、负债过高还是其他特定字段导致了低分。\n- 面对客户投诉或监管问询，团队只能给出模糊的“综合评分未达标”回复，缺乏具体依据，极易引发法律合规风险。\n- 数据科学家难以定位模型是否错误地依赖了无关特征（如邮政编码隐含的种族偏见），导致模型迭代优化无从下手。\n- 业务部门因不信任模型的决策逻辑，倾向于人工复核大量案例，严重拖慢了自动化审批的效率。\n\n### 使用 lime 后\n- lime 能针对每一笔被拒申请生成局部解释，清晰高亮显示具体是“信用卡逾期次数”和“近期查询记录”这两个特征大幅拉低了预测概率。\n- 客服团队可直接向用户展示可视化的归因报告，明确指出改进方向，显著提升了沟通透明度和用户满意度。\n- 开发人员通过 lime 发现模型过度关注了某个非关键的时间戳特征，迅速修正了数据泄露问题，提升了模型的泛化能力。\n- 业务方看到具体的决策依据后建立了对 AI 系统的信任，大幅减少了不必要的人工干预，实现了真正的全流程自动化。\n\nlime 将不可知的黑盒预测转化为直观的特征归因，让机器学习在关键决策场景中变得可解释、可信赖且符合合规要求。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmarcotcr_lime_5e986d04.png","marcotcr","Marco Tulio Correia Ribeiro","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmarcotcr_8fe7ea5a.png",null,"http:\u002F\u002Fhomes.cs.washington.edu\u002F~marcotcr\u002F","https:\u002F\u002Fgithub.com\u002Fmarcotcr",[79,83,87,91,94],{"name":80,"color":81,"percentage":82},"JavaScript","#f1e05a",88,{"name":84,"color":85,"percentage":86},"Python","#3572A5",11.9,{"name":88,"color":89,"percentage":90},"CSS","#663399",0,{"name":92,"color":93,"percentage":90},"TeX","#3D6117",{"name":95,"color":96,"percentage":90},"HTML","#e34c26",12119,1855,"2026-04-18T03:06:14","BSD-2-Clause",1,"未说明",{"notes":104,"python":105,"dependencies":106},"该工具自 0.2.0 版本起已不再支持 Python 2。它主要用于解释黑盒分类器（文本、表格数据或图像），要求分类器实现一个接收原始输入并输出各类别概率的函数。虽然内置支持 scikit-learn，但也提供了针对 Keras、PyTorch 和 H2O 模型的教程。可视化结果通常生成 HTML 格式以便嵌入 Jupyter Notebook，也可使用 matplotlib。","3.0+",[107,108,109,110,111],"scikit-learn","numpy","matplotlib","scipy","pandas",[14,113],"其他","2026-03-27T02:49:30.150509","2026-04-19T03:05:58.026077",[117,122,127,132,137,141],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},41409,"为什么 LIME 解释实例时生成的图表是空的，或者所有特征的权重都显示为 0.0？","这通常是因为 `exp.as_list()` 默认返回标签 1（即正类）的解释。如果你的模型预测结果主要指向其他标签，或者你关心的是另一个特定标签，你需要显式指定标签参数。请使用 `exp.as_list(label=2)` 或其他对应的标签值来获取该标签的解释。对于二分类问题，默认标签 1 通常是合适的；对于多分类问题，建议检查 `top_labels` 参数或指定具体的 `label`。此外，维护者曾在版本 305b55b 中修复过导致此现象的相关 bug，请确保使用的是最新版本。","https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Fissues\u002F243",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},41410,"LIME 输出结果中的数值（例如 0.219）具体代表什么含义？","LIME 输出的数值代表局部代理模型中特征的权重。具体来说，`as_list()` 返回的元组中，第二个数字表示该特征条件（如 'a > 0.50'）对预测结果的贡献度。正值表示该特征推动预测向指定标签靠近，负值表示推离。这些权重是通过在实例附近采样并拟合一个简单的可解释模型（如线性回归）计算得出的，反映了该特征在局部范围内对模型决策的影响大小。如需更深入的理论解释，可参考相关讨论议题 #67, #119, #199。","https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Fissues\u002F113",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},41411,"在使用 Keras 神经网络或 sklearn 的 SVC 处理包含连续和分类特征的数据时，为什么程序会崩溃或重启内核？","这是一个已知问题，通常发生在将嵌入层（embedding）用于分类特征并与数值特征混合输入到卷积网络或复杂模型时。主要原因往往是数据维度不匹配或预处理函数（predict_fn）返回的数组形状不符合 LIME 的预期。虽然社区中有许多用户遇到此问题（特别是结合 Keras 使用时），但官方尚未提供统一的通用修复代码。建议检查 `predict_fn` 是否正确地处理了 LIME 生成的扰动数据（通常是一个二维数组），并确保其输出概率的形状为 `(n_samples, n_classes)`。如果可能，尝试简化模型或使用纯数值输入进行测试以隔离问题。","https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Fissues\u002F73",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},41412,"运行 LIME 时遇到 'Found input variables with inconsistent numbers of samples' 错误怎么办？","这个错误通常是因为传递给 LIME 的预测函数（predict_fn）返回的数据形状不正确，导致内部采样数据与模型输入数量不一致。常见情况包括：预测函数只接受了单个样本而不是 LIME 生成的一批样本，或者返回的概率数组维度不对。请确保你的 `predict_fn` 能够接收一个形状为 `(n_samples, n_features)` 的 numpy 数组作为输入，并返回形状为 `(n_samples, n_classes)` 的概率数组。如果是文本分类模型，确保函数能处理句子列表而不是单个句子。","https:\u002F\u002Fgithub.com\u002Fmarcotcr\u002Flime\u002Fissues\u002F35",{"id":138,"question_zh":139,"answer_zh":140,"source_url":121},41413,"如何在 Flask API 集成中使用 LIME 解释模型预测结果？","在 Flask 中集成 LIME 时，关键是要构建一个正确的预测函数 `predict_fn`，该函数接收由 LIME 生成的扰动数据（numpy 数组格式），将其转换为模型所需的输入格式，执行预测，并返回概率值。注意不要直接在路由函数中硬编码单个特征的提取逻辑作为 `predict_fn`，而应该封装一个能处理批量数据的函数。例如，如果模型需要 DataFrame 输入，需在 `predict_fn` 内部将 numpy 数组转换回 DataFrame。同时，注意线程安全和模型加载时机，建议在应用启动时加载模型。",{"id":142,"question_zh":143,"answer_zh":144,"source_url":126},41414,"使用 LSTM 或其他深度学习模型进行解释时，`explain_instance` 中的 `predict_fn` 应该如何定义？","`predict_fn` 必须是一个接受二维 numpy 数组（形状为 `[样本数，特征数]`）并返回预测概率（形状为 `[样本数，类别数]`）的函数。对于 LSTM 模型，你不能直接传入 `model.predict`，因为可能需要额外的预处理（如序列填充、嵌入查找等）。你需要编写一个包装函数，在该函数内部完成从原始数值到模型输入张量的转换，调用 `model.predict`，然后返回结果。确保该函数能够向量化处理多个样本，因为 LIME 会在内部一次性生成多个扰动样本传入该函数。",[146,151,156,161,166,170,174,178,183,188,193,198,203,208,213,217,222,227],{"id":147,"version":148,"summary_zh":149,"released_at":150},333400,"0.2.0.0","以及其他错误修复。","2020-04-03T22:05:03",{"id":152,"version":153,"summary_zh":154,"released_at":155},333401,"0.1.1.36","- 为 lime_text 添加了 mask_string 参数，允许用户控制标记的掩码方式。\n- 修复了 truncnorm 采样中 min == max 时的 bug。","2019-07-05T15:39:53",{"id":157,"version":158,"summary_zh":159,"released_at":160},333402,"0.1.1.35","- 为 LimeTabularExplainer 添加了稀疏支持（感谢 @imatiach-msft）\n- 修改了 LimeTabularExplainer 的 undiscretize 函数，现使用截断正态分布\n- 小幅修复：Python 3.7 中的 re.split 问题、非二分类任务上的子模挑选算法问题等","2019-07-02T20:48:30",{"id":162,"version":163,"summary_zh":164,"released_at":165},333403,"0.1.1.33","- LimeTabularExplainer 现在接受统计量而非数据集\n- 各种小修复","2019-03-12T20:22:02",{"id":167,"version":168,"summary_zh":75,"released_at":169},333404,"0.1.1.32","2018-08-04T23:52:39",{"id":171,"version":172,"summary_zh":75,"released_at":173},333405,"0.1.1.31","2018-05-25T14:17:30",{"id":175,"version":176,"summary_zh":75,"released_at":177},333406,"0.1.1.26","2017-12-22T21:53:42",{"id":179,"version":180,"summary_zh":181,"released_at":182},333407,"0.1.1.25","小幅修复。","2017-11-01T19:24:29",{"id":184,"version":185,"summary_zh":186,"released_at":187},333408,"0.1.1.24","EntropyDiscretizer 由于导入问题未能正常工作。","2017-09-21T17:45:46",{"id":189,"version":190,"summary_zh":191,"released_at":192},333409,"0.1.1.23","- LimeImage 中的 bug\r\n- 预测概率不显示的 bug","2017-07-13T17:20:08",{"id":194,"version":195,"summary_zh":196,"released_at":197},333410,"0.1.1.22","添加了回归测试，以及其他 minor 更改。","2017-07-01T20:16:35",{"id":199,"version":200,"summary_zh":201,"released_at":202},333411,"0.1.1.21","仅限未成年人","2017-06-01T21:48:21",{"id":204,"version":205,"summary_zh":206,"released_at":207},333412,"0.1.1.20","@kgullikson88 添加了循环表格解释器及示例。","2017-04-13T00:43:57",{"id":209,"version":210,"summary_zh":211,"released_at":212},333413,"0.1.1.19","Fixed some things in tutorials, added images.\n","2017-03-01T02:00:01",{"id":214,"version":215,"summary_zh":75,"released_at":216},333414,"0.1.1.18","2016-11-17T15:37:02",{"id":218,"version":219,"summary_zh":220,"released_at":221},333415,"0.1.1.17","- Added more discretization options\n- Tutorials work with newest version of sklearn\n- Default value of kernel_width scaled by number of columns in training data\n- Minor changes\n","2016-11-12T22:50:33",{"id":223,"version":224,"summary_zh":225,"released_at":226},333416,"0.1.1.16","Fixed a bug in save_to_file related to encoding.\n","2016-08-19T23:29:55",{"id":228,"version":229,"summary_zh":230,"released_at":231},333417,"0.1.1.15","I'll start tracking releases more carefully from now on, and keeping this consistent with pypi releases.\nThis is the first release : )\n","2016-08-19T21:49:29"]