55. 全域說明 主要適用於什麼情境?
(A) 分析 AI 訓練數據集
(B) 了解AI 模型的整體決策方式
(C) 找出某次預測的影響因子
(D) 確保 AI免於偏見

在 AI 模型可解釋性中：

1️⃣ 全域說明（Global Explanation）

指的是解釋 整個模型是如何運作與做決策的，例如：

• 哪些特徵在整體模型中最重要

• 模型大致的決策邏輯

• 模型在不同情況下的行為模式

因此，全域說明主要用來 理解 AI 模型的整體決策方式。

2️⃣ 局部說明（Local Explanation）

則是解釋 某一筆資料或某一次預測結果，例如：

• 為什麼這筆交易被判定為詐欺

• 為什麼這張圖片被辨識為狗

各選項分析：

• (A) 分析 AI 訓練數據集 → 屬於資料分析，不是全域說明

• (B) 了解 AI 模型的整體決策方式 ✅ 正確

• (C) 找出某次預測的影響因子 → 這是 局部說明

• (D) 確保 AI 免於偏見 → 可解釋性只能幫助發現偏見，不能完全確保沒有偏見

在程式設計中，「全域說明」（Global scope）指的是變數或函式在程式碼中的可見範圍。全域變數或函式在整個程式中都可被存取，因此適用於以下情境：

• 需要跨函式或模組共享資料：
  • 當多個函式或模組需要存取和修改相同的資料時，可以使用全域變數來實現資料共享。
  • 例如，應用程式的設定檔或全域狀態。
• 需要定義全域常數：
  • 對於在程式中多處使用的常數，可以定義為全域變數，以提高程式的可讀性和可維護性。
  • 例如，數學常數或程式版本號。
• 需要建立全域函數：
  • 當一些函數，是程式，許多部分都需要呼叫使用的，可以宣告成全域函式。
  • 例如，會重複被多數函式所使用到的工具性函式。

然而，全域變數的使用也存在一些潛在問題，包括：

• 命名衝突：
  • 如果不同的程式碼片段使用相同的全域變數名稱，可能會導致命名衝突和錯誤。
• 程式碼可讀性和可維護性降低：
  • 過度使用全域變數會使程式碼變得難以理解和維護，因為難以追蹤變數的修改。
• 增加錯誤風險：
  • 由於任何函式都可以修改全域變數，因此可能導致意外的變數更改，增加程式碼的複雜性。

因此，在使用全域變數時，應謹慎考慮其必要性，並儘量減少其使用範圍。在許多情況下，使用區域變數、函數參數或模組化的設計，可以更好地管理資料和提高程式碼品質。

AI 模型解釋的兩大分類：

? 1. 整體說明（Global Explanation）

解釋整個模型的運作邏輯，例如哪些特徵對預測影響最大。

常見工具／方法：

• 特徵重要度（Feature Importance）

• 決策樹視覺化（Decision Tree Visualization）

• 部分依賴圖（Partial Dependence Plot, PDP）

• 全局 SHAP 值（Global SHAP Values）

? 2. 局部說明（Local Explanation）

針對單一預測樣本，說明為什麼模型會做出這個結果。

常見工具／方法：

• LIME（Local Interpretable Model-agnostic Explanations）

• SHAP（SHapley Additive exPlanations）

• Counterfactual Explanations（反事實解釋）

• Saliency Map（熱區圖） ← 常用在影像模型上