Вікторина, пов’язана з посібником · Середній Рівень

Зрозуміла вікторина AI та SHAP

Перегляньте, як SHAP атрибутує вихідні дані моделі, що показують локальні та зведені графіки та чому пояснення потребують ретельної інтерпретації.

Пов'язані напрямні шляхиПояснений AI та Shap
Питання 1 з 8

На якій математичній концепції ґрунтуються значення SHAP?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. На якій математичній концепції ґрунтуються значення SHAP?
    • Значення Шеплі з теорії кооперативних ігор
    • Байєсові задні
    • Градієнтний спуск
    • Аналіз головних компонент
  2. Властивість «адитивності» (локальної точності) SHAP означає, що для одного прогнозу значення SHAP...
    • Всі позитивні
    • Підсумуйте різницю між прогнозом і базовим результатом
    • Нормалізовані, щоб лежати між 0 і 1
    • Рівна точність навчання моделі
  3. Чому обчислення точних значень Шеплі зазвичай дороге?
    • Це вимагає багаторазового перенавчання моделі
    • Для кожного передбачення потрібні позначені тестові дані
    • Він повинен усереднювати граничний внесок функції за всіма можливими підмножинами функцій
    • Він працює лише на графічних процесорах
  4. Який варіант SHAP ефективно обчислює точні значення для моделей дерева з градієнтним підсиленням?
    • KernelSHAP
    • DeepSHAP
    • LinearSHAP
    • TreeSHAP
  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