Quiz collegato alla guida · Medio Livello

Quiz AI e SHAP spiegabili

Esamina in che modo SHAP attribuisce gli output dei modelli, cosa mostrano i grafici locali e di riepilogo e perché le spiegazioni richiedono un'attenta interpretazione.

Percorsi guida correlatiAI e Shap spiegabili
Domanda 1 di 8

Su quale concetto matematico si basano i valori SHAP?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Su quale concetto matematico si basano i valori SHAP?
    • Il valore di Shapley dalla teoria dei giochi cooperativi
    • Posteriori bayesiani
    • Discesa gradiente
    • Analisi delle componenti principali
  2. La proprietà "additività" (precisione locale) di SHAP significa che per una singola previsione, i valori SHAP...
    • Sono tutti positivi
    • Somma della differenza tra la previsione e un output di base
    • Sono normalizzati per essere compresi tra 0 e 1
    • Uguale alla precisione di addestramento del modello
  3. Perché calcolare i valori esatti di Shapley è generalmente costoso?
    • È necessario riqualificare il modello più volte
    • Ha bisogno di dati di test etichettati per ogni previsione
    • Deve fare la media del contributo marginale di una caratteristica su tutti i possibili sottoinsiemi di caratteristiche
    • Funziona solo su GPU
  4. Quale variante SHAP calcola i valori esatti in modo efficiente per i modelli di alberi con potenziamento del gradiente?
    • KernelSHAP
    • DeepSHAP
    • LineareSHAP
    • AlberoSHAP
  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