Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Εξηγήσιμο κουίζ AI και SHAP

Εξετάστε τον τρόπο με τον οποίο το SHAP χαρακτηρίζει τα αποτελέσματα του μοντέλου, τι δείχνουν τα τοπικά και συνοπτικά σχέδια και γιατί οι εξηγήσεις χρειάζονται προσεκτική ερμηνεία.

Σχετικές διαδρομές οδηγώνΕξηγήσιμο AI And Shap
Ερώτηση 1 του 8

Σε ποια μαθηματική έννοια βασίζονται οι τιμές SHAP;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Σε ποια μαθηματική έννοια βασίζονται οι τιμές SHAP;
    • Η τιμή Shapley από τη θεωρία των συνεργατικών παιγνίων
    • Bayesian οπίσθια
    • Κλίση κατάβασης
    • Ανάλυση κύριας συνιστώσας
  2. Η ιδιότητα «προσθετικότητα» (τοπική ακρίβεια) του SHAP σημαίνει ότι για μια μεμονωμένη πρόβλεψη, οι τιμές SHAP...
    • Είναι όλα θετικά
    • Άθροισμα της διαφοράς μεταξύ της πρόβλεψης και μιας βασικής παραγωγής
    • Είναι κανονικοποιημένα ώστε να βρίσκονται μεταξύ 0 και 1
    • Ίση ακρίβεια εκπαίδευσης του μοντέλου
  3. Γιατί είναι γενικά ακριβός ο υπολογισμός των ακριβών τιμών Shapley;
    • Απαιτεί επανεκπαίδευση του μοντέλου πολλές φορές
    • Χρειάζεται δεδομένα δοκιμής με ετικέτα για κάθε πρόβλεψη
    • Πρέπει να υπολογίζει τον μέσο όρο της οριακής συνεισφοράς ενός χαρακτηριστικού σε όλα τα πιθανά υποσύνολα χαρακτηριστικών
    • Λειτουργεί μόνο σε GPU
  4. Ποια παραλλαγή SHAP υπολογίζει αποτελεσματικά τις ακριβείς τιμές για μοντέλα δέντρων ενισχυμένα με κλίση;
    • KernelSHAP
    • DeepSHAP
    • LinearSHAP
    • TreeSHAP
  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