Bir banka, kredi uygunluk modeli oluşturmak için 7 yıllık işlem verileri üzerinde eğitilmiş XGBoost'u kullandı. Model doğru olsa da, kredi ekibi (veri bilimi uzmanlığı az olan) bazı müşterilerin neden reddedildiğini anlayamıyor. Veri bilimi ekibinin kredi ekibine açıklama sağlaması için operasyonel olarak en verimli yol nedir?
Bir cevap seçin
Cevabınızı kontrol etmek için bir seçeneğe dokunun.
Doğru cevap: SageMaker Studio'yu kullanarak bir not defterinde XGBoost modelini yeniden eğitmek, Amazon SageMaker Debugger'ı etkinleştirmek ve Shapley değerlerini hesaplayıp toplamak üzere yapılandırmak, ardından özelliklerin tahminleri nasıl etkilediğini gösteren SHAP grafikleri oluşturmak..
Neden bu cevap
Doğru cevap, SageMaker Debugger'ın SHAP değerlerini hesaplama yeteneğini kullanarak modelin kararlarını açıklamak için en verimli ve operasyonel olarak uygun yolu sunar. Debugger, eğitim sırasında SHAP değerlerini otomatik olarak yakalayıp toplayabilir, bu da ayrı bir işlem adımı gerektirmeden açıklanabilirlik grafikleri oluşturmayı kolaylaştırır. Diğer seçenekler ya daha az verimlidir (örneğin, Model Monitor çıkarım sonrası açıklanabilirlik için tasarlanmıştır, Debugger ise eğitim sırasında), ya da daha az açıklayıcıdır (yalnızca özellik önem grafikleri, bireysel tahminlerin nedenini açıklamaz), ya da gereksiz adımlar içerir (Processing ile ayrı bir analiz çalıştırmak).
Sonsuz cevap arayışı olmadan sınavınızı geçin
Bu sınav için her doğrulanmış soruyu ve açıklamayı tek bir yerde edinin ve saatlerce süren hazırlıktan tasarruf edin. 1.000'den fazla sertifika · 20'den fazla dil · ücretsiz başlayın.
Sınavınızı daha hızlı geçin → Kart gerekmez