Een ML-specialist wil belanghebbenden transparantie en uitleg bieden over hoe een model voorspellingen doet. Welke van de volgende opties biedt die verklaarbaarheid het beste?

Shapley-waarden bieden een krachtige methode om de bijdrage van elke feature aan de voorspelling van een model te kwantificeren, wat essentieel is voor uitlegbaarheid en transparantie. Ze verdelen de totale voorspelling eerlijk over de inputfeatures, waardoor belanghebbenden kunnen begrijpen waarom een model een bepaalde uitkomst heeft gegenereerd. De nauwkeurigheidsmeting en de verwarringsmatrix zijn evaluatiestatistieken die de algehele prestaties van het model beschrijven, maar ze leggen niet uit hoe individuele voorspellingen tot stand komen. Het bieden van een beveiligd model inference-eindpunt is een operationele overweging voor de implementatie van het model, niet voor de uitlegbaarheid ervan.