如何在LIME可视化中展示数据归一化后的真实原始值？

核心思路 #

逻辑回归依赖归一化数据训练，但LIME的可视化可以通过反向映射归一化特征来展示原始数据值，无需修改模型本身。

方法1：自定义特征值反向转换（实用方案） #

步骤： #

1. 保存归一化器的参数：比如用StandardScaler时保存scaler.mean_和scaler.scale_，MinMaxScaler保存scaler.data_min_和scaler.data_max_。
2. 编写反向转换函数，将归一化后的特征值还原为原始值。
3. 生成LIME解释后，替换解释结果中的特征值为原始值。

示例代码（StandardScaler为例）： #

import lime.lime_tabular
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

# 已完成归一化和模型训练
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
model = LogisticRegression()
model.fit(X_train_scaled, y_train)

# 反向转换函数
def get_original_values(scaled_sample, scaler, feature_names):
    original_sample = scaler.inverse_transform(scaled_sample.reshape(1, -1)).flatten()
    return dict(zip(feature_names, original_sample))

# 初始化LIME解释器
explainer = lime.lime_tabular.LimeTabularExplainer(
    X_train_scaled,
    feature_names=X_train.columns,
    class_names=['负类', '正类'],
    mode='classification'
)

# 解释单个样本
sample_scaled = X_test_scaled[0]
exp = explainer.explain_instance(sample_scaled, model.predict_proba, num_features=5)

# 替换特征值为原始值
original_vals = get_original_values(sample_scaled, scaler, X_train.columns)
modified_explanation = []
for feat_name, scaled_contribution in exp.as_list():
    original_val = original_vals[feat_name]
    # 组合显示原始值和贡献度
    modified_explanation.append((f"{feat_name}: {original_val:.2f}", scaled_contribution))

# 更新解释结果并可视化
exp.as_list = lambda: modified_explanation
exp.show_in_notebook()

方法2：自定义LIME可视化模板（进阶） #

如果需要批量处理所有解释结果，可以修改LIME的输出渲染逻辑，在生成HTML可视化时直接插入原始值。本质是在explain_instance生成结果后，遍历特征列表替换显示文本，原理和方法1一致，只是封装成工具函数更高效。

关键注意事项： #

• 绝对不能用原始数据直接喂给逻辑回归模型预测，必须保持归一化数据用于模型推理，仅在可视化层面对特征值做反向转换。
• 确保归一化器参数完整保存，避免因重新拟合导致转换错误。

内容的提问来源于stack exchange，提问作者Airah