गाइड से जुड़ी प्रश्नोत्तरी · मध्यम स्तर
समझाने योग्य AI और SHAP प्रश्नोत्तरी
समीक्षा करें कि SHAP मॉडल आउटपुट को कैसे विशेषता देता है, स्थानीय और सारांश प्लॉट क्या दिखाते हैं, और स्पष्टीकरणों को सावधानीपूर्वक व्याख्या की आवश्यकता क्यों है।
प्रश्न 1 का 8
SHAP मान किस गणितीय अवधारणा पर आधारित हैं?
प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न
जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।
- SHAP मान किस गणितीय अवधारणा पर आधारित हैं?
- सहकारी खेल सिद्धांत से शेपली मूल्य
- बायेसियन पोस्टीरियर
- क्रमिक अवतरण
- प्रमुख घटक विश्लेषण
- SHAP की 'एडिटिविटी' (स्थानीय सटीकता) संपत्ति का मतलब है कि एकल भविष्यवाणी के लिए, SHAP मान...
- सभी सकारात्मक हैं
- पूर्वानुमान और बेसलाइन आउटपुट के बीच अंतर का योग
- 0 और 1 के बीच स्थित होना सामान्यीकृत है
- मॉडल की प्रशिक्षण सटीकता के बराबर
- सटीक शेपली मानों की गणना आम तौर पर महंगी क्यों है?
- इसके लिए मॉडल को कई बार पुनः प्रशिक्षित करने की आवश्यकता होती है
- इसे प्रत्येक भविष्यवाणी के लिए लेबल किए गए परीक्षण डेटा की आवश्यकता होती है
- इसे सुविधाओं के सभी संभावित उपसमूहों पर एक सुविधा के सीमांत योगदान का औसत होना चाहिए
- यह केवल GPU पर काम करता है
- कौन सा SHAP वैरिएंट ग्रेडिएंट-बूस्टेड ट्री मॉडल के लिए सटीक मानों की कुशलतापूर्वक गणना करता है?
- कर्नेलशैप
- डीपशैप
- लीनियरशैप
- वृक्षछाप
- मॉडल विकास के दौरान टीमें SHAP जैसी स्पष्टीकरण विधियों का उपयोग क्यों करती हैं?
- मॉडल व्यवहार का निरीक्षण करना, प्रभावशाली विशेषताओं की जांच करना और समीक्षा का समर्थन करना
- क्योंकि SHAP साबित करता है कि मॉडल निष्पक्ष है
- क्योंकि प्रत्येक कानून को प्रत्येक मॉडल के लिए SHAP की आवश्यकता होती है
- क्योंकि फीचर एट्रिब्यूशन कारणात्मक प्रभाव स्थापित करते हैं
- एक SHAP सारांश प्लॉट किसी डेटासेट में क्या दिखा सकता है?
- क्या कोई विशेषता वास्तविक दुनिया में परिणाम का कारण बनी
- उदाहरणों में मॉडल आउटपुट को उनके SHAP मानों के प्रसार सहित कितनी विशेषताएँ प्रभावित करती हैं
- किस व्यक्तिगत प्रशिक्षण पंक्ति ने लक्ष्य लेबल को लीक कर दिया
- प्रत्येक संभावित डेटासेट के लिए सुविधाओं की गारंटीशुदा रैंकिंग
- स्थानीय SHAP स्पष्टीकरण क्या वर्णन करता है?
- वास्तविक दुनिया की विशेषता को बदलने का एक कारणात्मक प्रभाव
- एक गारंटी कि मॉडल निष्पक्ष है
- किसी चुनी गई आधार रेखा और फ़ीचर सम्मेलन के सापेक्ष एक भविष्यवाणी के लिए फ़ीचर विशेषताएँ
- प्रत्येक डेटासेट के लिए वैश्विक प्रशिक्षण सटीकता
- सहसंबद्ध विशेषताएं SHAP व्याख्या को जटिल क्यों बना सकती हैं?
- सहसंबद्ध विशेषताएँ सभी SHAP मानों को बिल्कुल शून्य बना देती हैं
- सहसंबंध साबित करता है कि एक विशेषता भविष्यवाणी का कारण बनी
- SHAP मॉडल आउटपुट का उपयोग नहीं करता है
- फीचर निर्भरता के बारे में अलग-अलग धारणाएं योगदान आवंटित करने के तरीके को बदल सकती हैं