---
title: "反事實解釋（Counterfactual Explanation）"
slug: counterfactual-explanation
language: zh-TW
source: https://aiterms.tw/terms/counterfactual-explanation
updated_at: 2026-04-29
tags: [機器學習, AI倫理與治理, 模型評估, AI基礎]
ipas_term: false
---

# 反事實解釋（Counterfactual Explanation）

> **你有沒有在你收到模型拒絕或通過的結果，想知道要改哪裡才會變成另一種判斷時，還在想這件事到底該怎麼看？**
>
> 把它想成一張「如果改這些條件，就會變結果」的說明卡。
> 它不只告訴你模型怎麼想，還會告訴你最小要改動哪些輸入。
> 這種解釋很適合拿來做申訴、流程修正和使用者回饋。
>
> 就像先用生活中的例子抓住核心用途，再回頭看名詞和公式，理解會穩很多。

### 容易混淆
> **feature-importance**
> vs 特徵重要性 (Feature Importance)：特徵重要性像告訴你「哪些因素對結果影響最大」，但不會告訴你具體要怎麼改；反事實解釋則更直接，它不僅指出重要因素，還明確告訴你「這些因素需要改變多少，才能達到你想要的結果」，提供可操作的建議。
> **常見混淆：反事實解釋 vs feature-importance**
> 特徵重要性只說哪些因素重要，反事實解釋會說要改哪些條件才會變結果。

### 記住這句就好
> 問它怎麼變結果，不是只問它為什麼。

### 實際案例
> **信貸申請**
> 系統顯示收入再高一點或負債再低一點，就可能通過。
> **醫療分流**
> 如果危險指標下降到某個門檻，病人就可能從急診轉普通觀察。

### 算法與應用
> 1. 好的反事實解釋要改得少，還要真的能做到，不然只是紙上談兵。
> 2. 它通常會追求鄰近性和可操作性，讓建議既接近原本資料，也能落地。
> 3. 如果背景限制很多，反事實結果可能和特徵重要性不一樣，兩者用途不同。

### 情境判斷
> **Q1：使用者想知道為什麼貸款沒過，最能直接回應他的解釋是哪一種？**
> → 反事實解釋，因為它會告訴你改哪些條件才可能過件。
> **Q2：如果改動一個特徵就要花很大代價，這樣的反事實還有用嗎？**
> → 要看情況，理論上可以解釋模型，但實務上可能不夠可操作。

### 常見問題
> **Q：如何評估反事實解釋的質量？**
> 評估反事實解釋的質量可以從多個方面入手，包括有效性（反事實是否確實導致模型產生目標預測結果）、鄰近性（反事實與原始輸入數據的相似程度）、稀疏性（反事實中發生變動的特徵數量）和可操作性（反事實中提出的變動是否易於實現）。
> **Q：反事實解釋與特徵重要性有什麼區別？**
> 特徵重要性衡量每個特徵對模型預測的整體影響，而反事實解釋則針對特定輸入數據，指出需要改變哪些特徵才能獲得期望的結果。反事實解釋更具體，可以直接提供可操作的建議。
> **Q：生成反事實解釋有哪些挑戰？**
> 生成反事實解釋的挑戰包括：如何定義合適的距離函數、如何選擇有效的優化算法、如何處理高維數據、如何確保解釋的穩定性和可操作性，以及如何避免偏見。

### 相關術語
> - **可解釋人工智慧**：看完這個後，再回來看 反事實解釋 會更容易把脈絡接起來。
> - **黑箱模型**：看完這個後，再回來看 反事實解釋 會更容易把脈絡接起來。
> - **因果推論**：看完這個後，再回來看 反事實解釋 會更容易把脈絡接起來。
> - **SHAP**：看完這個後，再回來看 反事實解釋 會更容易把脈絡接起來。
> - **LIME**：看完這個後，再回來看 反事實解釋 會更容易把脈絡接起來。

---

來源：https://aiterms.tw/terms/counterfactual-explanation
快查頁：https://aiterms.tw/terms/counterfactual-explanation
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-counterfactual-explanation