Rehber bağlantılı sınav · Orta Seviye

Açıklanabilir Yapay Zeka ve SHAP Sınavı

SHAP'ın model çıktılarını nasıl ilişkilendirdiğini, yerel ve özet grafiklerin neler gösterdiğini ve açıklamaların neden dikkatli yorumlanması gerektiğini gözden geçirin.

İlgili kılavuz yollarıAçıklanabilir Yapay Zeka ve Shap
Soru 1 arasında 8

SHAP değerleri hangi matematiksel kavrama dayanmaktadır?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. SHAP değerleri hangi matematiksel kavrama dayanmaktadır?
    • İşbirliğine dayalı oyun teorisinden Shapley değeri
    • Bayesian posteriorlar
    • Gradyan iniş
    • Temel bileşen analizi
  2. SHAP'ın 'toplanabilirlik' (yerel doğruluk) özelliği, tek bir tahmin için SHAP değerlerinin...
    • Hepsi olumlu mu
    • Tahmin ile temel çıktı arasındaki farkın toplamı
    • 0 ile 1 arasında olacak şekilde normalleştirilir
    • Modelin eğitim doğruluğunu eşitleyin
  3. Kesin Shapley değerlerini hesaplamak neden genellikle pahalıdır?
    • Modelin birçok kez yeniden eğitilmesini gerektirir
    • Her tahmin için etiketlenmiş test verilerine ihtiyaç duyar
    • Bir özelliğin marjinal katkısının tüm olası özellik alt kümeleri üzerinden ortalamasını almalıdır
    • Yalnızca GPU'larda çalışır
  4. Hangi SHAP değişkeni, degradeyle güçlendirilmiş ağaç modelleri için kesin değerleri verimli bir şekilde hesaplar?
    • ÇekirdekSHAP
    • DeepSHAP
    • LinearSHAP
    • AğaçSHAP
  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