这个软件库包含的代码运行中存在的实验。 此处的代码被冻结为最初编写本文时的代码。 如果您对使用LIME感兴趣，请查看，我们将其打包在其中，提高了代码质量，增加了可视化效果和其他改进。 运行以下命令应该足以获取所有结果。 您需要特定版本的python，sklearn，numpy，scipy。 使用以下命令在virtualenv中安装要求： pip install -r requirements.txt 如果我们忘记了什么，请给第一作者发电子邮件。 在5.2节中进行实验： 数据集->'multi_polarity_books'，'multi_polarity_kitchen'，'multi_polarity_dvd'，'multi_polarity_kitchen' 算法->'l1logreg'，'tree' 解释器->“石灰”，“ parzen”，“贪婪”或“随机” pyth

解释一致性框架 该存储库包含在Explantion Consistency Framework（ECF）的开发中使用的整个代码库。 ECF是在我的整个硕士论文中进行研究和开发的，可以评估和比较LIME和SHAP等不同解释方法之间的解释质量。 此外，笔记本还包含对使用的数据集的描述性和视觉分析，以及包括XGB和LSTM在内的一系列预测模型的实现，以及两种解释方法LIME和SHAP的应用。

(LIME):Low Light Image Enhancement via Illumination Map Estimation

截图功能

低光图像增强 基于以下论文，通过光照图估计实现两种低光图像增强技术的 Python 实现： 稳健曝光校正的双光照估计 [] LIME：通过照明图估计进行低光图像增强 [] 这两种方法都基于 retinex 建模，旨在通过保留图像的突出结构来估计光照图，同时去除多余的纹理细节。 为此，两篇论文都使用了相同的优化公式（参见参考资料）。 与第二篇论文（以下称为 LIME）相比，第一篇论文（以下称为 DUAL）引入的新颖性在于对原始图像及其倒置版本的该映射的估计，它允许校正曝光不足和过度曝光图像的暴露部分。 此存储库中实现的代码允许使用这两种方法，可以从脚本参数中轻松选择。 安装 这个实现在python>=3.7上运行，使用pip安装依赖： pip3 install -r requirements.txt 用法 使用demo.py脚本来增强您的图像。 usage: demo.py

matlab图像均衡化代码LIME：低光图像增强 这是论文“ LIME：通过照明图估计进行低光图像增强”的MATLAB实现。 它是在Saumik Bhattacharya教授的指导下作为“数字图像处理”（ECN-316）课程项目完成的。 可以找到项目报告。 可以找到该文件。 可以找到该项目的官方网站。 作者提供的演示软件包含.p mat文件，无法读取其源代码。 如何使用 克隆存储库： git clone https://github.com/estija/LIME.git 打开MATLAB，转到git repository文件夹。 添加路径 在MATLAB命令窗口中运行以下命令： addpath('./BM3D'); addpath('./imgs'); 加载图像并运行 在MATLAB命令窗口中运行以下命令： img_in = imread('x.bmp'); [Ti, Tout, img_out, Iout] = lime_main_module(img_in, mu, rho, ds, ss, flag); x是imgs一些图片 flag = 1以查看结果。 Ti和Tout是初始照

LIME-Text_Data 在文本数据上实现LIME（本地可解释模型不可知的解释）。 这有助于直观地解释为什么模型预测了预测的内容。 笔记本使用简单的分类任务突出显示做出预测的贡献者（请参见下文）： 了解更多信息并了解其下的功能 阅读： :

[英语] 这个demo展示了如何使用LIME（Local Interpretable Model-agnostic Explanations）[1]解释CNN的分类。这个demo是基于[1]创建的，但实现可能与官方的有点不同。这段代码突出显示对分类有贡献的区域。它可以帮助您解释和改进模型，或者，如果突出显示的区域与真实类别无关，您可以认识到分类器对您来说不是不可信的。 该演示演示了带有ResNet-18 [2]的预训练模型的示例，请根据您的网络修改此代码LIME可用于任何类型的数据，并且该示例显示了用于图像分类的代码。 [日本人] 使用称为LIME的技术[1]，当通过深度学习执行图像分类时，我们可以可视化要点。请注意，可能与官方实现略有不同。在缩略图中，经过训练的网络 (ResNet-18 [2]) 在预测为金毛猎犬时将判断基础的位置可视化。 【关键词】 分类、cnn（卷积神经网络）

nFeatures_LIME 为具有多个特征的时间序列数据提供可解释的深度学习模型。

LIME低照度图像增强算法，里面包含C++程序和测试效果图像，可直接使用，效果惊人，非常值得下载！！！