Kuis terkait panduan · Sedang Tingkat

Kuis AI dan SHAP yang dapat dijelaskan

Tinjau bagaimana SHAP mengatribusikan keluaran model, apa yang ditampilkan plot lokal dan ringkasan, dan mengapa penjelasan memerlukan interpretasi yang cermat.

Jalur panduan terkaitAI dan Bentuk yang Dapat Dijelaskan
Pertanyaan 1 dari 8

Konsep matematika apa yang menjadi dasar nilai SHAP?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Konsep matematika apa yang menjadi dasar nilai SHAP?
    • Nilai Shapley dari teori permainan kooperatif
    • Posterior Bayesian
    • Penurunan gradien
    • Analisis komponen utama
  2. Properti 'additivitas' (akurasi lokal) SHAP berarti bahwa untuk satu prediksi, nilai SHAP...
    • Semuanya positif
    • Jumlahkan selisih antara prediksi dan keluaran dasar
    • Dinormalisasi untuk terletak antara 0 dan 1
    • Sama dengan akurasi pelatihan model
  3. Mengapa menghitung nilai Shapley yang tepat umumnya mahal?
    • Hal ini memerlukan pelatihan ulang model berkali-kali
    • Dibutuhkan data uji berlabel untuk setiap prediksi
    • Ini harus menghitung rata-rata kontribusi marjinal suatu fitur terhadap semua kemungkinan subkumpulan fitur
    • Ini hanya berfungsi pada GPU
  4. Varian SHAP manakah yang menghitung nilai pasti secara efisien untuk model pohon yang ditingkatkan gradien?
    • KernelSHAP
    • DeepSHAP
    • LinearSHAP
    • BENTUK Pohon
  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