ガイド連動クイズ · 中 レベル

説明可能な AI と SHAP クイズ

SHAP 属性がどのように出力をモデル化するか、局所プロットと要約プロットが何を示すか、そしてなぜ説明に注意深い解釈が必要なのかを確認します。

関連するガイドパス説明可能なAIとShap
質問 1 の 8

SHAP 値はどのような数学的概念に基づいていますか?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. SHAP 値はどのような数学的概念に基づいていますか?
    • 協力ゲーム理論からのシャプリー値
    • ベイズ事後分布
    • 勾配降下法
    • 主成分分析
  2. SHAP の「加法性」(局所精度) プロパティは、単一の予測に対して、SHAP 値が…であることを意味します。
    • 全員がポジティブです
    • 予測とベースライン出力の差の合計
    • 0 と 1 の間に収まるように正規化されます
    • モデルのトレーニング精度と同等
  3. 正確な Shapley 値を計算するのは一般的にコストがかかるのはなぜですか?
    • モデルを何度も再トレーニングする必要がある
    • すべての予測にはラベル付きのテストデータが必要です
    • 可能なすべての特徴のサブセットにわたる特徴の限界寄与を平均する必要があります
    • GPUでのみ動作します
  4. 勾配ブースト ツリー モデルの正確な値を効率的に計算する SHAP バリアントはどれですか?
    • カーネルSHAP
    • ディープSHAP
    • リニアSHAP
    • ツリーシャープ
  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