LimeTabularExplainer必须先用训练数据拟合才能解释，因初始化仅配置参数，拟合时才计算特征分布并创建_explainer属性；explain_instance()输入须为1D数组，num_features过小会截断重要特征导致解释失真；关键解释数据在exp.local_exp[cls]和exp.intercept[cls]中。
为什么 lime.lime_tabular.LimeTabularExplainer 必须先拟合再解释
直接调用 explain_instance() 会报 AttributeError: 'LimeTabularExplainer' object has no attribute '_explainer'，因为初始化时只是配置参数，没做任何训练或数据适配。它需要先用训练数据“见过”特征分布——比如计算每个数值列的四分位距、类别列的唯一值频次，这些都存在内部 _explainer 属性里。
实操要点：
- 必须传入完整训练集
X_train（numpy.ndarray或pandas.DataFrame），不能只传空壳或随机数 - 如果训练集含缺失值，
LimeTabularExplainer默认不报错但会静默跳过该样本；建议提前用sklearn.impute处理 - 分类任务需显式传入
class_names（如class_names=['low', 'high']），否则生成的解释图里只显示数字标签
如何正确构造单样本解释的输入格式
explain_instance() 的第一个参数必须是 1D 数组（shape (n_features,)），不是 (1, n_features)。传错会触发 ValueError: Expected 2D array, got 1D array instead —— 这其实是 scikit-learn 检查逻辑在底层抛的错，和 Lime 本身无关。
常见错误场景：
立即学习“Python免费学习笔记（深入）”；
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- 从 DataFrame 取一行：用
df.iloc[0].values（得到 1D），别用df.iloc[[0]].values（得到 2D） - 用 numpy：确保
sample.reshape(-1)或sample.flatten()，而不是sample[None, :] - 如果模型预测函数
predict_fn要求 2D 输入（如大多数 sklearn 模型），记得在封装时做兼容：def predict_fn(x): if x.ndim == 1: x = x.reshape(1, -1) return model.predict_proba(x)
为什么 num_features 设太小会导致解释失效
设置 num_features=3 看起来简洁，但如果真实重要特征有 5 个，Lime 就会强行截断，把第 4、5 重要特征的贡献归到“其他”里，导致权重失真。更隐蔽的问题是：当解释回归任务时，num_features 过小会让局部线性近似严重偏离原始模型输出，local_pred（局部模型预测值）和 orig_pred（原始模型预测值）差距可能超过 0.3，说明解释不可靠。
建议做法：
- 先用默认值
num_features=10试跑，看解释图中是否有大量特征权重接近 0 - 检查
exp.as_list()返回的元组列表，观察第 8 和第 9 项的绝对值是否仍 >0.02；若是，说明 10 不够 - 对高维稀疏特征（如 one-hot 后的类别变量），按语义聚合后再设
num_features，避免把同一原始变量拆成多个低权重项
保存解释结果时容易漏掉的关键字段
调用 exp.save_to_file('explanation.html') 能生成可视化页面，但如果你后续要程序化分析（比如批量提取 top-3 特征），只存 HTML 不够——它不包含原始权重向量。真正可复用的数据在 exp.local_exp[cls] 里，其中 cls 是目标类别索引（分类任务）或固定为 1（二分类默认）。
必须手动提取并持久化：
-
exp.local_exp[1]是一个list，每项形如(feature_idx, weight)，顺序按权重降序排 -
exp.intercept[1]是局部模型截距，影响基线预测值，漏掉会导致无法还原local_pred - 如果用了自定义
feature_names，记得同步保存，否则feature_idx对不上原始列名
局部可解释性的关键不在图多好看，而在你能随时用那几个数字反推“模型为什么给这个样本打 0.87 分”——而那个反推链条，从 local_exp 开始，到 intercept 结束，中间不能断。
