某銀行在 SageMaker 中部署了一個 XGBoost 分類器，用於決定哪些客戶符合低利率信貸促銷的資格。模型的準確性可接受，但團隊必須解釋為什麼某些客戶被拒絕。產生每個客戶解釋最有效率的操作方法是什麼？

SageMaker Clarify 專為模型可解釋性而設計，能夠計算個別預測的 SHAP 值。它允許您指定訓練資料作為基準，這對於計算 SHAP 值至關重要，因為 SHAP 值是相對於基準的特徵貢獻。Clarify 還能產生視覺化圖表，清晰地展示每個特徵對特定客戶預測結果的影響，直接解決了解釋客戶被拒絕原因的需求。 其他選項的不足之處： plotimportance() 顯示的是整體特徵重要性，而非個別預測的解釋。 SageMaker Debugger 主要用於模型訓練期間的除錯和效能分析，雖然可以計算 SHAP 值，但 Clarify 更專注於可解釋性任務，提供更完整的解決方案。 SageMaker Model Monitor 專注於監控生產模型的資料漂移和模型品質，不適合用於生成個別預測的解釋性分析。