Викторина, связанная с руководством · Средний Уровень

Объясняемая викторина по искусственному интеллекту и SHAP

Узнайте, как SHAP атрибутирует выходные данные модели, что показывают локальные и сводные графики и почему объяснения требуют тщательной интерпретации.

Связанные направляющие путиОбъяснимый ИИ и Шап
Вопрос 1 из 8

На какой математической концепции основаны значения SHAP?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. На какой математической концепции основаны значения SHAP?
    • Значение Шепли из теории кооперативных игр
    • Байесовские апостериоры
    • Градиентный спуск
    • Анализ главных компонентов
  2. Свойство SHAP «аддитивность» (локальная точность) означает, что для одного прогноза значения SHAP...
    • Все положительные
    • Сумма разницы между прогнозом и базовым выходным сигналом
    • Нормализованы и лежат в диапазоне от 0 до 1.
    • Равная точность обучения модели
  3. Почему вычисление точных значений Шепли обычно обходится дорого?
    • Требуется многократное переобучение модели.
    • Для каждого прогноза необходимы помеченные тестовые данные.
    • Он должен усреднять предельный вклад функции по всем возможным подмножествам функций.
    • Работает только на графических процессорах
  4. Какой вариант SHAP эффективно вычисляет точные значения для древовидных моделей с градиентным усилением?
    • КернелШАП
    • ДипШАП
    • ЛинейныйSHAP
    • ДеревоSHAP
  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