Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra AI và SHAP có thể giải thích được

Xem lại cách kết quả đầu ra của mô hình thuộc tính SHAP, biểu đồ cục bộ và biểu đồ tóm tắt hiển thị như thế nào cũng như lý do giải thích cần diễn giải cẩn thận.

Đường dẫn hướng dẫn liên quanAI và Shap có thể giải thích được
Câu hỏi 1 của 8

Giá trị SHAP dựa trên khái niệm toán học nào?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Giá trị SHAP dựa trên khái niệm toán học nào?
    • Giá trị Shapley từ lý thuyết trò chơi hợp tác
    • Hậu nghiệm Bayes
    • Độ dốc gốc
    • Phân tích thành phần chính
  2. Thuộc tính 'độ cộng tính' (độ chính xác cục bộ) của SHAP có nghĩa là đối với một dự đoán duy nhất, các giá trị SHAP...
    • Tất cả đều tích cực
    • Tính tổng chênh lệch giữa dự đoán và đầu ra cơ sở
    • Được chuẩn hóa để nằm trong khoảng từ 0 đến 1
    • Cân bằng độ chính xác đào tạo của mô hình
  3. Tại sao việc tính toán các giá trị Shapley chính xác thường đắt tiền?
    • Nó đòi hỏi phải đào tạo lại mô hình nhiều lần
    • Nó cần dữ liệu thử nghiệm được dán nhãn cho mọi dự đoán
    • Nó phải tính trung bình đóng góp cận biên của một đối tượng địa lý trên tất cả các tập hợp con đối tượng địa lý có thể có
    • Nó chỉ hoạt động trên GPU
  4. Biến thể SHAP nào tính toán các giá trị chính xác một cách hiệu quả cho các mô hình cây được tăng cường độ dốc?
    • hạt nhânSHAP
    • DeepSHAP
    • SHAP tuyến tính
    • CâySHAP
  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