LIME (Local Interpretable Model-agnostic Explanations) und SHAP (SHapley Additive exPlanations) sind zwei Ansätze zur Erklärung von Entscheidungen, die von KI-Modellen getroffen werden. Beide Methoden zielen darauf ab, die Vorhersagen von komplexen Modellen, wie z.B. neuronalen Netzen oder Ensemble-Methoden, verständlicher zu machen. **LIME:** - LIME funktioniert, indem es lokale Erklärungen für die Vorhersagen eines Modells generiert. Es nimmt eine bestimmte Vorhersage und erstellt ein einfaches, interpretiertes Modell (z.B. ein lineares Modell) in der Nähe des Punktes, für den die Erklärung benötigt wird. - Dazu wird das ursprüngliche Modell verwendet, um Vorhersagen für leicht veränderte Eingabedaten zu machen. Diese Vorhersagen werden dann genutzt, um das einfache Modell zu trainieren, das die Vorhersage des komplexen Modells in diesem lokalen Bereich approximiert. - LIME hilft dabei, zu verstehen, welche Merkmale für die spezifische Vorhersage am wichtigsten sind, indem es die Gewichtungen der Merkmale im einfachen Modell analysiert. **SHAP:** - SHAP basiert auf der Spieltheorie und verwendet die Shapley-Werte, um den Beitrag jedes Merkmals zur Vorhersage eines Modells zu quantifizieren. Es betrachtet alle möglichen Kombinationen von Merkmalen und berechnet, wie viel jedes Merkmal zur Vorhersage beiträgt. - SHAP bietet globale und lokale Erklärungen. Lokale Erklärungen zeigen, wie die Merkmale einer bestimmten Vorhersage beeinflussen, während globale Erklärungen einen Überblick über die Bedeutung der Merkmale im gesamten Datensatz geben. - Ein Vorteil von SHAP ist, dass es konsistent ist und die Eigenschaften der Fairness und Effizienz der Shapley-Werte nutzt, was bedeutet, dass die Erklärungen stabil und nachvollziehbar sind. Beide Ansätze sind nützlich, um die Entscheidungen von KI-Modellen transparenter zu machen und das Vertrauen in deren Vorhersagen zu erhöhen.