گائیڈ سے منسلک کوئز · درمیانہ سطح

قابل وضاحت AI اور SHAP کوئز

جائزہ لیں کہ SHAP ماڈل آؤٹ پٹس کو کس طرح منسوب کرتا ہے، مقامی اور سمری پلاٹ کیا دکھاتے ہیں، اور وضاحتوں کو محتاط تشریح کی ضرورت کیوں ہے۔

متعلقہ گائیڈ کے راستےقابل وضاحت AI اور Shap
سوال 1 کی 8

SHAP اقدار کس ریاضیاتی تصور پر مبنی ہیں؟

ہر سوال کا جائزہ لیں۔8 سوالات

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

  1. SHAP اقدار کس ریاضیاتی تصور پر مبنی ہیں؟
    • کوآپریٹو گیم تھیوری سے شیپلی ویلیو
    • Bayesian پوسٹریئرز
    • تدریجی نزول
    • پرنسپل اجزاء کا تجزیہ
  2. SHAP کی 'additivity' (مقامی درستگی) خاصیت کا مطلب ہے کہ ایک پیشین گوئی کے لیے، SHAP کی قدریں...
    • سب مثبت ہیں۔
    • پیشین گوئی اور ایک بیس لائن آؤٹ پٹ کے درمیان فرق کا مجموعہ
    • 0 اور 1 کے درمیان جھوٹ بولنے کے لیے معمول بنائے گئے ہیں۔
    • ماڈل کی تربیت کی درستگی کے برابر
  3. کمپیوٹنگ عین Shapley اقدار عام طور پر مہنگی کیوں ہے؟
    • اس کے لیے کئی بار ماڈل کو دوبارہ تربیت دینے کی ضرورت ہوتی ہے۔
    • اسے ہر پیشین گوئی کے لیے لیبل والے ٹیسٹ ڈیٹا کی ضرورت ہوتی ہے۔
    • اسے فیچر کے تمام ممکنہ ذیلی سیٹوں پر فیچر کی معمولی شراکت کا اوسط ہونا چاہیے۔
    • یہ صرف GPUs پر کام کرتا ہے۔
  4. کون سا SHAP ویرینٹ گریڈینٹ بوسٹڈ ٹری ماڈلز کے لیے درست قدروں کو مؤثر طریقے سے شمار کرتا ہے؟
    • KernelSHAP
    • ڈیپ شاپ
    • 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