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.
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.
- Op welk wiskundig concept zijn SHAP-waarden gebaseerd?
- De Shapley-waarde uit de coöperatieve speltheorie
- Bayesiaanse posteriors
- Gradiënt afdaling
- Hoofdcomponentenanalyse
- 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
- 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
- Welke SHAP-variant berekent op efficiënte wijze exacte waarden voor boommodellen met gradiëntversterking?
- KernelSHAP
- DiepSHAP
- LineairSHAP
- BoomSHAP
- 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