Cuestionario vinculado a una guía · Medio Nivel

Prueba explicable de IA y SHAP

Revise cómo los resultados del modelo de atributos SHAP, qué muestran los gráficos locales y resumidos y por qué las explicaciones necesitan una interpretación cuidadosa.

Rutas de guía relacionadasIA y forma explicables
Pregunta 1 de 8

¿En qué concepto matemático se basan los valores SHAP?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿En qué concepto matemático se basan los valores SHAP?
    • El valor de Shapley desde la teoría de juegos cooperativos
    • Posteriores bayesianos
    • descenso de gradiente
    • Análisis de componentes principales
  2. La propiedad de 'aditividad' (precisión local) de SHAP significa que para una sola predicción, los valores de SHAP...
    • son todos positivos
    • Suma de la diferencia entre la predicción y un resultado de referencia
    • Están normalizados para estar entre 0 y 1.
    • Igualar la precisión del entrenamiento del modelo
  3. ¿Por qué es generalmente costoso calcular los valores exactos de Shapley?
    • Requiere volver a entrenar el modelo muchas veces.
    • Necesita datos de prueba etiquetados para cada predicción.
    • Debe promediar la contribución marginal de una característica sobre todos los subconjuntos posibles de características.
    • Solo funciona en GPU
  4. ¿Qué variante de SHAP calcula valores exactos de manera eficiente para modelos de árbol potenciados por gradiente?
    • KernelSHAP
    • DeepSHAP
    • LinealSHAP
    • ÁrbolSHAP
  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