SHAP（シャップ）と LIME（ライム）の違い
山崎講師
こんにちは。ゆうせいです。
今回は、機械学習モデルの「説明可能性（Explainability）」を高める2つの有名な手法、
LIME（ライム）と SHAP（シャップ）の違いを、新人エンジニアの方にもわかりやすく解説します！
どちらも「ブラックボックスなAIモデルを、人間にわかりやすく説明する」ための方法ですが、
考え方・理論・使いどころがまったく異なるんです。
今回は LIME を先に紹介し、そのあとに SHAP との違いをしっかり見ていきます！
LIMEとは？名前の由来と考え方
名前の意味
LIME は
Local Interpretable Model-agnostic Explanations
の略です。
- Local：局所的な（＝ある1件の予測周辺）
- Interpretable：解釈可能な
- Model-agnostic：モデルに依存しない
→ 「あらゆる機械学習モデルの個別の予測を、単純な方法で説明する」手法という意味です。
どんなふうに説明するの？
- 説明したい入力（例：ある患者の診断結果）を1つ選ぶ
- その近くに、少しずつ特徴量を変えた「似たデータ」をたくさん作る
- 元のモデルにそれらを入力し、予測値を得る
- 得られたデータと予測値をもとに、簡単な線形モデルで近似して、影響を説明する
たとえ話で理解！
「複雑な機械の動きを調べるために、そっくりの小型モデルを作ってまねしてみる」
そして、「この部品をちょっと動かしたらこうなった」という因果の近似から理由を探ります。
LIMEの特徴まとめ
| 特徴 | 内容 |
|---|---|
| 説明の範囲 | ローカル（個別の予測）に焦点を当てる |
| モデルへの依存性 | モデル非依存（ブラックボックスOK） |
| メリット | 軽量で直感的、実装が簡単 |
| デメリット | 説明が不安定（実行ごとに結果が変わることも） |
| 使用例 | 個別の予測理由をサクッと可視化したいとき |
SHAPとは？名前の由来と考え方
名前の意味
SHAP は
SHapley Additive exPlanations
の略です。
キーワードは「Shapley Value（シャープレーバリュー）」——
これはゲーム理論の中で「プレイヤーの貢献度を公平に分配する方法」として知られています。
SHAPは何をする？
- 特徴量を「プレイヤー」、予測値を「報酬」と見立てる
- どの特徴量がどれくらいモデルの予測に貢献したかを、全ての組み合わせで評価する
- 最も公平な特徴量の貢献度（＝SHAP値）を導き出す
たとえ話で理解！
チームで1位を取ったときに、「誰がどれだけ貢献したか？」をすべての可能な組み合わせで比べて評価する。
とても公平だけど、時間がかかるし計算が大変！
SHAPの特徴まとめ
| 特徴 | 内容 |
|---|---|
| 説明の範囲 | ローカル（個別）もグローバル（全体）も対応可能 |
| モデルへの依存性 | モデル非依存（ただし専用の高速SHAPもある） |
| メリット | 公平で一貫性のある貢献度を得られる |
| デメリット | 計算コストが高い（特に特徴量が多いとき） |
| 使用例 | 精密なモデル解釈・特徴量の重要度分析など |
LIMEとSHAPの違いを表で比較！
| 比較項目 | LIME（ライム） | SHAP（シャップ） |
|---|---|---|
| 理論的背景 | 局所的な線形近似 | ゲーム理論（シャープレーバリュー） |
| 説明の粒度 | 局所的（1件ずつの予測理由） | 局所もグローバルも可能 |
| 出力の安定性 | 実行ごとにブレる可能性あり | 安定（一意に定まる） |
| 計算コスト | 比較的軽い | やや重い（特徴量が多いと特に） |
| 解釈のしやすさ | 棒グラフなどで直感的にわかりやすい | 値の意味を正しく理解するには知識が必要 |
| モデル非依存性 | モデル非依存 | モデル非依存（または専用SHAPモデル） |
どちらを使えばいい？
| 目的・状況 | おすすめ手法 |
|---|---|
| サクッと1件の予測理由を説明したい | LIME |
| 精密で公平な特徴量の貢献度を知りたい | SHAP |
| データが小さく、処理が軽い方がいい | LIME |
| ビジネスや医療で「説明責任」が求められる場合 | SHAP |
たとえ話でもう一度！
| 状況 | LIME | SHAP |
|---|---|---|
| 工場の製品検査 | 現場で1つずつ目視チェックして不良品理由を推測 | 全製品の検査記録を分析して原因を統計的に導出 |
| 試験の点数の説明 | 「この1問が合否を分けた」と局所で分析 | 「全科目の合計から、どの科目が一番貢献したか」を見る |
今後の学習の指針
LIMEとSHAPの違いを理解できたら、次は以下の内容を学んでみましょう：
- 実際にコードでLIMEとSHAPを動かしてみる（sklearn + shap + limeパッケージ）
- 複数のモデル（ランダムフォレスト、XGBoostなど）で比較してみる
- 説明可能AI（XAI）の全体像や、法的・倫理的背景にも触れてみる
モデルの精度だけでなく、「なぜそう判断したのか？」を説明できる力は、これからのAIエンジニアにとって欠かせません！
生成AI研修のおすすめメニュー
投稿者プロフィール
- 代表取締役
-
セイ・コンサルティング・グループ株式会社代表取締役。
岐阜県出身。
2000年創業、2004年会社設立。
IT企業向け人材育成研修歴業界歴20年以上。
すべての無駄を省いた費用対効果の高い「筋肉質」な研修を提供します！
この記事に間違い等ありましたらぜひお知らせください。
最新の投稿
全ての社員2025年7月9日ベイズの定理の新しい覚え方の提案- 全ての社員2025年7月8日「Sim2Real（シム・トゥ・リアル）のパフォーマンスギャップ」とは？
- 全ての社員2025年7月8日「ドメインランダマイゼーション（Domain Randomization）」とは？
- 全ての社員2025年7月8日「Dueling Network（デュエリングネットワーク）」とは？
