গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

ব্যাখ্যাযোগ্য AI এবং SHAP কুইজ

পর্যালোচনা করুন কিভাবে SHAP মডেল আউটপুটগুলিকে বৈশিষ্ট্যযুক্ত করে, স্থানীয় এবং সংক্ষিপ্ত প্লটগুলি কী দেখায় এবং কেন ব্যাখ্যাগুলির যত্ন সহকারে ব্যাখ্যা প্রয়োজন৷

সম্পর্কিত গাইড পাথব্যাখ্যাযোগ্য AI এবং Shap
প্রশ্ন 1 এর 8

SHAP মানগুলি কোন গাণিতিক ধারণার উপর ভিত্তি করে?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. SHAP মানগুলি কোন গাণিতিক ধারণার উপর ভিত্তি করে?
    • সমবায় গেম তত্ত্ব থেকে শ্যাপলি মান
    • Bayesian পোস্টেরিয়র
    • গ্রেডিয়েন্ট ডিসেন্ট
    • প্রধান উপাদান বিশ্লেষণ
  2. SHAP-এর 'অ্যাডিটিভিটি' (স্থানীয় নির্ভুলতা) বৈশিষ্ট্যের অর্থ হল একটি একক পূর্বাভাসের জন্য, SHAP মান...
    • সবাই ইতিবাচক
    • পূর্বাভাস এবং একটি বেসলাইন আউটপুটের মধ্যে পার্থক্যের যোগফল
    • 0 এবং 1 এর মধ্যে থাকা স্বাভাবিক
    • মডেলের প্রশিক্ষণের নির্ভুলতার সমান
  3. কেন কম্পিউটিং সঠিক Shapley মান সাধারণত ব্যয়বহুল?
    • এটি মডেলটিকে অনেকবার পুনরায় প্রশিক্ষণের প্রয়োজন
    • প্রতিটি ভবিষ্যদ্বাণীর জন্য এটির লেবেলযুক্ত পরীক্ষার ডেটা প্রয়োজন৷
    • এটি বৈশিষ্ট্যগুলির সমস্ত সম্ভাব্য উপসেটের উপর একটি বৈশিষ্ট্যের প্রান্তিক অবদানের গড় হওয়া আবশ্যক৷
    • এটি শুধুমাত্র GPU তে কাজ করে
  4. গ্রেডিয়েন্ট-বুস্টেড ট্রি মডেলের জন্য কোন SHAP বৈকল্পিক দক্ষতার সাথে সঠিক মান গণনা করে?
    • KernelSHAP
    • ডিপশ্যাপ
    • LinearSHAP
    • ট্রিশ্যাপ
  5. Why do teams use explanation methods such as SHAP during model development?
    • To inspect model behavior, investigate influential features, and support review
    • Because SHAP proves the model is fair
    • Because every law requires SHAP for every model
    • Because feature attributions establish causal effects
  6. What can a SHAP summary plot show across a dataset?
    • Whether a feature caused the outcome in the real world
    • How much features affect model outputs across examples, including the spread of their SHAP values
    • Which individual training row leaked the target label
    • A guaranteed ranking of features for every possible dataset
  7. What does a local SHAP explanation describe?
    • A causal effect of changing a real-world feature
    • A guarantee that the model is fair
    • Feature attributions for one prediction relative to a chosen baseline and feature convention
    • The global training accuracy for every dataset
  8. Why can correlated features complicate SHAP interpretation?
    • Correlated features make all SHAP values exactly zero
    • Correlation proves one feature caused the prediction
    • SHAP does not use a model output
    • Different assumptions about feature dependence can change how contributions are allocated