Quiz lié à un guide · Moyen Niveau

Quiz explicable sur l'IA et SHAP

Examinez comment SHAP attribue les résultats du modèle, ce que montrent les tracés locaux et récapitulatifs et pourquoi les explications nécessitent une interprétation minutieuse.

Chemins de guidage associésIA et forme explicables
Question 1 de 8

Sur quel concept mathématique les valeurs SHAP sont-elles basées ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Sur quel concept mathématique les valeurs SHAP sont-elles basées ?
    • La valeur Shapley de la théorie des jeux coopératifs
    • Postérieurs bayésiens
    • Descente de gradient
    • Analyse en composantes principales
  2. La propriété « additivité » (précision locale) de SHAP signifie que pour une seule prédiction, les valeurs SHAP...
    • Sont tous positifs
    • Somme de la différence entre la prédiction et un résultat de référence
    • Sont normalisés pour se situer entre 0 et 1
    • Égal à la précision de l'entraînement du modèle
  3. Pourquoi le calcul des valeurs exactes de Shapley est-il généralement coûteux ?
    • Cela nécessite de recycler le modèle plusieurs fois
    • Il a besoin de données de test étiquetées pour chaque prédiction
    • Il doit faire la moyenne de la contribution marginale d'une fonctionnalité sur tous les sous-ensembles possibles de fonctionnalités
    • Cela ne fonctionne que sur les GPU
  4. Quelle variante SHAP calcule efficacement les valeurs exactes pour les modèles d'arbres à gradient amélioré ?
    • NoyauSHAP
    • DeepSHAP
    • LinéaireSHAP
    • ArbreSHAP
  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