Gids-gekoppelde quiz · Middelmatig Niveau

Uitlegbare AI- en SHAP-quiz

Bekijk hoe SHAP modeluitvoer toekent, wat lokale en samenvattende plots laten zien, en waarom uitleg een zorgvuldige interpretatie vereist.

Gerelateerde gidspadenVerklaarbare AI en Shap
Vraag 1 van 8

Op welk wiskundig concept zijn SHAP-waarden gebaseerd?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Op welk wiskundig concept zijn SHAP-waarden gebaseerd?
    • De Shapley-waarde uit de coöperatieve speltheorie
    • Bayesiaanse posteriors
    • Gradiënt afdaling
    • Hoofdcomponentenanalyse
  2. De eigenschap 'additivity' (lokale nauwkeurigheid) van SHAP betekent dat voor een enkele voorspelling de SHAP-waarden...
    • Zijn allemaal positief
    • Tel het verschil op tussen de voorspelling en een basislijnuitvoer
    • Zijn genormaliseerd en liggen tussen 0 en 1
    • Gelijk aan de trainingsnauwkeurigheid van het model
  3. Waarom is het berekenen van exacte Shapley-waarden over het algemeen duur?
    • Het vereist dat het model vele malen opnieuw wordt getraind
    • Voor elke voorspelling zijn gelabelde testgegevens nodig
    • Het moet de marginale bijdrage van een kenmerk middelen over alle mogelijke subsets van kenmerken
    • Het werkt alleen op GPU's
  4. Welke SHAP-variant berekent op efficiënte wijze exacte waarden voor boommodellen met gradiëntversterking?
    • KernelSHAP
    • DiepSHAP
    • LineairSHAP
    • BoomSHAP
  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