術語比較

特徵重要性 vs LIME

Feature Importance vs Local Interpretable Model-agnostic Explanations

特徵重要性側重量化輸入特徵對機器學習模型預測結果影響程度的指標，用於特徵選擇與模型理解。，而 LIME 側重 LIME 針對單筆預測，以局部線性模型近似複雜黑箱模型的行為，提供與模型無關的可解釋性。

逐項比較

項目	特徵重要性	LIME
一句定義	量化輸入特徵對機器學習模型預測結果影響程度的指標，用於特徵選擇與模型理解。	LIME 針對單筆預測，以局部線性模型近似複雜黑箱模型的行為，提供與模型無關的可解釋性
常見標籤	特徵工程、模型可解釋性、特徵選擇、XGBoost、隨機森林	模型評估、AI倫理與治理
iPAS 關聯度	未知	未知
考生最常問	特徵重要性高代表該特徵是造成預測結果的原因嗎？	LIME 可以解釋所有模型嗎？

特徵重要性Feature Importance量化輸入特徵對機器學習模型預測結果影響程度的指標，用於特徵選擇與模型理解。
LIMELocal Interpretable Model-agnostic ExplanationsLIME 針對單筆預測，以局部線性模型近似複雜黑箱模型的行為，提供與模型無關的可解釋性

內容整理自「特徵重要性」與「LIME」兩個術語頁，不提供數值排名或單一答案，完整內容與來源請回各術語頁核對。