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.
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.
- Milyen matematikai koncepción alapulnak a SHAP értékek?
- A Shapley-érték a kooperatív játékelméletből
- Bayesi utódok
- Gradiens süllyedés
- Főkomponens elemzés
- 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
- 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
- Melyik SHAP-változat számítja ki hatékonyan a pontos értékeket a gradiens-növelt famodellek esetében?
- KernelSHAP
- DeepSHAP
- LinearSHAP
- TreeSHAP
- 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
- 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
- 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
- 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