Специалист по машинному обучению хочет обеспечить заинтересованным сторонам прозрачность и объяснения того, как модель делает прогнозы. Что из перечисленного лучше всего обеспечивает такую объяснимость?

Представление значений Шапли (Shapley values) модели лучше всего обеспечивает объяснимость, поскольку они количественно определяют вклад каждого признака в прогноз модели для конкретного экземпляра. Это позволяет заинтересованным сторонам понять, почему модель сделала тот или иной прогноз, и какие признаки были наиболее влиятельными. Предоставление метрики точности модели (например, accuracy) или матрицы ошибок (confusion matrix) дает общую оценку производительности модели, но не объясняет логику отдельных прогнозов. Предоставление защищенной конечной точки вывода модели (secured inference endpoint) относится к безопасности и доступности модели, а не к ее объяснимости.