Un professionista ML desidera offrire agli stakeholder trasparenza e spiegazioni su come un modello formula le previsioni. Quale delle seguenti opzioni fornisce al meglio tale spiegabilità?

I valori Shapley (Shapley values) sono un metodo di spiegabilità che attribuisce l'output di un modello a ciascuna delle sue caratteristiche di input, quantificando il contributo marginale di ciascuna caratteristica alla previsione. Questo fornisce una chiara comprensione di come le singole caratteristiche influenzano le previsioni del modello, soddisfacendo l'esigenza di trasparenza e spiegazione per gli stakeholder. L'accuratezza e la matrice di confusione sono metriche di performance che indicano quanto bene il modello si comporta, ma non spiegano il "perché" delle sue previsioni. Un endpoint di inferenza sicuro è un requisito operativo per l'implementazione del modello, non un metodo di spiegabilità.