Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Megmagyarázható AI és SHAP kvíz

Review how SHAP attributes model outputs, what local and summary plots show, and why explanations need careful interpretation.

Kapcsolódó útmutató utakMegmagyarázható AI és alak
kérdés 1 -ból 8

Milyen matematikai koncepción alapulnak a SHAP értékek?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Milyen matematikai koncepción alapulnak a SHAP értékek?
    • A Shapley-érték a kooperatív játékelméletből
    • Bayesi utódok
    • Gradiens süllyedés
    • Főkomponens elemzés
  2. A SHAP 'additivitás' (helyi pontosság) tulajdonsága azt jelenti, hogy egyetlen előrejelzés esetén a SHAP értékek...
    • Mind pozitívak
    • Adja meg az előrejelzés és a kiindulási kimenet közötti különbséget
    • 0 és 1 közé normalizálva vannak
    • Egyenlő a modell edzési pontosságával
  3. Miért általában drága a pontos Shapley-értékek kiszámítása?
    • A modell sokszori átképzését igényli
    • Minden előrejelzéshez címkézett tesztadatokra van szüksége
    • Átlagolnia kell egy tereptárgy marginális hozzájárulását a jellemzők összes lehetséges részhalmazához képest
    • Csak GPU-n működik
  4. Melyik SHAP-változat számítja ki hatékonyan a pontos értékeket a gradiens-növelt famodellek esetében?
    • 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