Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Bir model değerlendirirken, metrikler bir testin veya doğrulamaya göre hesaplanır
modelin ne kadar adil olduğuna dair her zaman net bir fikir vermeyebilir.
Örneklerin çoğu için genel olarak yüksek model performansı, kötü performansın
küçük bir örnek alt kümesi üzerinde performans göstermesi, yanlılığa neden olabilir.
model tahminleridir. Aşağıdakiler gibi toplu performans metriklerini kullanma:
hassasiyet,
geri çağırma,
ve doğruluğun her zaman doğru
adım adım açıklayacağım.
Kabul modelimizi gözden geçirebilir ve bazı yeni teknikler keşfedebiliriz
ön yargıyla ilgili tahminlerinin adalet çerçevesinde nasıl değerlendirileceğine dair
Kabul sınıflandırma modelinin
üniversitesi: 100 adaydan oluşan bir havuzda yer alır.
çoğunluk grubu (mavi, 80 öğrenci) ve azınlık grubu
(turuncu, 20 öğrenci).
Şekil 1. 100 öğrenciden oluşan aday havuzu: 80 öğrenci
çoğunluk grubu (mavi) ve 20 öğrenci azınlık grubuna ait
(turuncu).
Model, uygun niteliklere sahip öğrencileri yasalara uygun bir şekilde kabul etmelidir.
adayı gösterir.
Modelin adalet tahminlerini nasıl değerlendirmeliyiz? Çok çeşitli
farklı matematiksel işlemler sunan metrik seçenekleri vardır.
tanımıdır. İlerleyen bölümlerde,
şu metrikleri derinlemesine inceleyeceğiz: demografik denklik, fırsat eşitliği,
ve karşı görüşlere dayalı adalet.
[[["Anlaması kolay","easyToUnderstand","thumb-up"],["Sorunumu çözdü","solvedMyProblem","thumb-up"],["Diğer","otherUp","thumb-up"]],[["İhtiyacım olan bilgiler yok","missingTheInformationINeed","thumb-down"],["Çok karmaşık / çok fazla adım var","tooComplicatedTooManySteps","thumb-down"],["Güncel değil","outOfDate","thumb-down"],["Çeviri sorunu","translationIssue","thumb-down"],["Örnek veya kod sorunu","samplesCodeIssue","thumb-down"],["Diğer","otherDown","thumb-down"]],["Son güncelleme tarihi: 2024-08-13 UTC."],[[["Aggregate model performance metrics like precision, recall, and accuracy can hide biases against minority groups."],["Fairness in model evaluation involves ensuring equitable outcomes across different demographic groups."],["This page explores various fairness metrics, including demographic parity, equality of opportunity, and counterfactual fairness, to assess model predictions for bias."],["Evaluating model predictions with these metrics helps in identifying and mitigating potential biases that can negatively affect minority groups."],["The goal is to develop models that not only achieve good overall performance but also ensure fair treatment for all individuals, regardless of their demographic background."]]],[]]
