2. 可解释性的分类：全局解释与局部解释、内在解释与事后解释、模型特定与模型无关解释

模型可解释性并非单一概念，根据解释的范围、获取时机以及与模型的耦合程度，可以划分为三个核心维度。理解这些分类是选择合适解释方法的前提。

2.1 按解释范围：全局解释 vs 局部解释

这是最直观的分类维度，区分了我们是想要理解模型的整体行为，还是仅针对某一次具体预测。

2.2 按解释时机：内在解释 vs 事后解释

这一维度区分了可解释性是模型自带的属性，还是需要在模型训练完成后额外获取的。

• 内在解释 (Intrinsic / Ante-hoc)：模型本身结构就是可解释的。例如线性回归的系数、决策树的路径、基于规则的模型。这类模型通常牺牲部分预测性能来换取透明性。
• 事后解释 (Post-hoc)：模型是黑箱（如深度神经网络、梯度提升树），解释是在模型训练完成后通过外部工具生成的。这类方法不改变原模型，但可能引入近似误差。

2.3 按模型依赖：模型特定 vs 模型无关解释

这一维度决定了解释方法的通用性。

• 模型特定 (Model-specific)：仅适用于特定模型架构。例如决策树的特征重要性、CNN 的类激活映射（CAM）、Transformer 的注意力权重。优点是解释与模型内部机制紧密耦合，通常更精确；缺点是迁移性差。
• 模型无关 (Model-agnostic)：将模型视为黑箱，仅通过输入输出对进行分析。例如 LIME、SHAP、Partial Dependence Plot。优点是通用性强，可应用于任何模型；缺点是计算成本较高，且解释可能不够忠实于模型内部逻辑。

2.4 分类体系总览

下图展示了三个分类维度的交叉关系，以及各象限对应的典型方法。

2.5 分类组合与选择策略

在实际项目中，通常需要组合多个维度的解释方法。以下是一个典型的选择流程：

1. 业务需求分析：确定是需要全局合规审计（全局）还是单样本解释（局部）。
2. 模型类型评估：如果模型本身是线性模型或决策树，优先使用内在解释；如果是深度网络或集成模型，转向事后解释。
3. 通用性权衡：如果团队需要一套统一的解释框架（如同时解释 XGBoost 和 CNN），选择模型无关方法；如果追求对特定模型的最精确解释，选择模型特定方法。

2.6 分类维度对比总结