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.
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.
- 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
- 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
- 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
- Quale variante SHAP calcola i valori esatti in modo efficiente per i modelli di alberi con potenziamento del gradiente?
- KernelSHAP
- DeepSHAP
- LineareSHAP
- AlberoSHAP
- 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