Explicabilité des modèles avec SHAP et LIME

Audio automatique activé : les prochaines questions seront lues quand vous cliquerez sur Continuer.

1. 1

   Quelle distinction décrit correctement une explication locale et une explication globale ?

   A Une explication locale concerne une prédiction particulière, tandis qu'une explication globale décrit le comportement général du modèle. B Une explication locale analyse uniquement les données d'entraînement, tandis qu'une explication globale utilise les données de test. C Une explication locale s'applique aux modèles simples, tandis qu'une explication globale est réservée aux réseaux de neurones.
2. 2

   Comment LIME explique-t-il généralement la prédiction d'un modèle complexe pour une observation donnée ?

   A Il réentraîne intégralement le modèle après avoir supprimé chaque variable. B Il ajuste un modèle interprétable sur des observations perturbées proches du cas étudié. C Il calcule uniquement les corrélations globales entre les variables et la cible.
3. 3

   Sur quel concept mathématique les valeurs SHAP sont-elles principalement fondées ?

   A La distance euclidienne entre les observations B La descente de gradient stochastique C Les valeurs de Shapley issues de la théorie des jeux coopératifs
4. 4

   Dans une explication SHAP, que représente généralement la valeur de référence, ou valeur de base ?

   A La sortie moyenne attendue du modèle sur un jeu de données de référence B La plus faible prédiction produite pendant l'entraînement C Le seuil de décision choisi pour convertir un score en classe
5. 5

   Quelle portée d'explication correspond au visuel présenté ?

   

   A Une explication globale du modèle sur toute la population B Une explication locale d'une observation individuelle C Une démonstration d'un effet causal certain
6. 6

   Quel est l'objectif principal du graphique présenté, où l'axe horizontal porte les valeurs d'une variable et l'axe vertical sa contribution au modèle ?

   

   A Mesurer directement l'exactitude globale du modèle B Déterminer le nombre optimal de variables à conserver C Observer comment la contribution d'une variable évolue selon sa valeur
7. 7

   Quel problème les variables fortement corrélées peuvent-elles provoquer dans les explications par attribution ?

   A La contribution peut être partagée ou redistribuée de manière instable entre les variables corrélées. B Le modèle devient automatiquement incapable de produire une prédiction. C Toutes les variables corrélées reçoivent nécessairement une contribution nulle.
8. 8

   Pourquoi LIME est-il qualifié de méthode indépendante du modèle, ou model-agnostic ?

   A Parce qu'il n'a besoin d'aucune donnée pour produire une explication B Parce qu'il peut interroger les entrées et sorties du modèle sans accéder à son architecture interne C Parce qu'il transforme automatiquement tout modèle en régression linéaire globale
9. 9

   Quelle propriété est illustrée lorsque les contributions successives du visuel relient exactement une valeur de référence à la prédiction finale ?

   

   A L'indépendance statistique des variables B La calibration parfaite du classificateur C L'additivité des contributions
10. 10

    Pourquoi le calcul exact de valeurs de Shapley devient-il coûteux lorsque le nombre de variables augmente ?

    A Le nombre de coalitions de variables à considérer croît de façon exponentielle. B Chaque variable impose obligatoirement un nouvel entraînement sur plusieurs années de données. C Les valeurs de Shapley ne peuvent être calculées qu'avec des processeurs graphiques.
11. 11

    Dans le visuel présenté, que représentent les nombreuses courbes fines par rapport à la courbe épaisse ?

    

    A Différents taux d'apprentissage comparés pendant l'entraînement B Les effets individuels pour plusieurs observations, dont la courbe épaisse résume la moyenne C Les frontières de décision de plusieurs modèles concurrents
12. 12

    Que mesure principalement l'importance par permutation d'une variable ?

    A Le nombre de fois où la variable apparaît dans le fichier de données B La contribution causale certaine de la variable au phénomène réel C La dégradation des performances lorsque les valeurs de la variable sont mélangées
13. 13

    Quel principe d'explication est représenté par la comparaison visuelle de deux dossiers presque identiques menant à des décisions différentes ?

    

    A Une explication contrefactuelle B Une validation croisée stratifiée C Une réduction de dimension
14. 14

    Dans le graphique récapitulatif présenté, que code généralement le dégradé allant du bleu au rouge pour chaque point ?

    

    A Le signe négatif ou positif de la contribution B La valeur faible ou élevée de la variable pour l'observation C Le niveau de confiance statistique de l'explication
15. 15

    Comment peut-on tester la stabilité d'une explication produite par LIME ?

    A En vérifiant seulement que le modèle principal obtient un score élevé sur l'entraînement B En augmentant systématiquement le nombre de classes prédites C En répétant l'explication avec plusieurs graines aléatoires et en comparant les variables retenues
16. 16

    Quelle procédure évalue le mieux la fidélité d'une explication locale au modèle qu'elle cherche à imiter ?

    A Comparer les sorties de l'explication et du modèle sur des perturbations proches de l'observation B Vérifier que l'explication utilise le moins de couleurs possible C Comparer uniquement l'explication avec l'avis intuitif d'un utilisateur