가이드 연계 퀴즈 · 중간 레벨

설명 가능한 AI 및 SHAP 퀴즈

SHAP 속성 모델 출력 방법, 로컬 및 요약 플롯이 표시하는 내용, 설명에 신중한 해석이 필요한 이유를 검토하세요.

관련 가이드 경로설명 가능한 AI 및 Shap
질문 1 의 8

SHAP 값은 어떤 수학적 개념을 기반으로 합니까?

모든 질문 미리보기8 질문

퀴즈를 풀면 정답과 설명이 나타납니다.

  1. SHAP 값은 어떤 수학적 개념을 기반으로 합니까?
    • 협동 게임 이론의 Shapley 가치
    • 베이지안 사후
    • 경사하강법
    • 주성분 분석
  2. SHAP의 '가산성'(로컬 정확도) 속성은 단일 예측에 대해 SHAP 값이...
    • 모두 긍정적이다
    • 예측과 기준 출력 간의 차이를 합산합니다.
    • 0과 1 사이에 있도록 정규화됩니다.
    • 모델의 훈련 정확도와 동일
  3. 정확한 Shapley 값을 계산하는 데 일반적으로 비용이 많이 드는 이유는 무엇입니까?
    • 모델을 여러 번 재교육해야 함
    • 모든 예측에는 레이블이 지정된 테스트 데이터가 필요합니다.
    • 가능한 모든 기능 하위 집합에 대한 기능의 한계 기여도를 평균화해야 합니다.
    • GPU에서만 작동합니다.
  4. 경사 강화 트리 모델에 대해 정확한 값을 효율적으로 계산하는 SHAP 변형은 무엇입니까?
    • 커널SHAP
    • DeepSHAP
    • 선형SHAP
    • 트리SHAP
  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