準備模型訓練和評估資料時，請務必考量公平性問題，並檢查可能導致偏差的潛在來源，以便在將模型發布至實際環境前，主動減輕其影響。
偏見可能會出現在哪些地方？以下列舉一些資料集中的警訊。
缺少特徵值
如果資料集中有一或多個特徵在大量範例中缺少值，這可能表示資料集中的某些重要特徵未充分呈現。
練習：隨堂測驗
您要訓練模型，根據各種特徵 (包括品種、年齡、體重、性情和每天掉毛的數量) 預測救援狗的領養可能性。您的目標是確保模型在所有類型的狗身上都能發揮同樣良好的效能，無論其外型或行為特徵為何
您發現訓練集的 5,000 個範例中有 1,500 個缺少個性值。下列哪些潛在偏誤來源應進行調查？
某些品種的狗更有可能缺少氣質資料。
如果系統提供的溫度資料與犬種有關，這可能會導致某些狗品種的可領性預測準確度降低。
未滿 12 個月的犬隻體溫資料較可能缺少溫度資料
如果個性資料的可用性與年齡相關，那麼相較於成犬，系統可能會對幼犬做出較不準確的適應性預測。
所有從大城市救出的狗狗都缺少氣質資料。
乍看之下，這可能不會是潛在的偏差來源，因為缺少的資料會對大城市的所有狗隻一視同仁，不論其品種、年齡、體重等。不過，我們仍需考量，狗隻所在地點可能會有效地代表這些物理特徵。舉例來說，如果大城市中的狗比偏遠地區的狗人數明顯小，對偏重犬隻或特定小型犬種的預測準確度就會降低。
資料集中隨機缺少個性資料。
如果個性資料確實是隨機遺漏，那麼這並不會成為潛在的偏差來源。不過，情緒資料可能會隨機遺失，進一步調查可能會揭露差異的原因。因此，請務必徹底檢查，排除其他可能性，而不要假設資料缺口是隨機發生的。
非預期的特徵值
探索資料時，您也應找出含有特徵值的示例，這些值特別不具特徵或不尋常。這些意外的特徵值可能表示資料收集期間發生問題，或其他可能導致偏差的誤差。
練習：檢查您的理解程度
請查看下列虛構的示例，瞭解如何訓練救援狗收養可行性模型。
| 品種 | 年齡 (歲) | 體重 (磅) | 性情 | shedding_level |
|---|---|---|---|---|
| 玩具貴賓犬 | 2 | 12 | excitable | 低 |
| 黃金獵犬 | 7 | 65 | 平靜 | 高 |
| 拉布拉多獵犬 | 35 | 73 | 平靜 | 高 |
| 法國鬥牛犬 | 0.5 | 11 | 平靜 | medium |
| 不明混種犬 | 4 | 45 | excitable | 高 |
| 巴吉度獵犬 | 9 | 48 | 平靜 | medium |
您能否指出地圖資料有任何問題？
| 品種 | 年齡 (歲) | 體重 (磅) | 性情 | shedding_level |
|---|---|---|---|---|
| 玩具貴賓犬 | 2 | 12 | excitable | 低 |
| 黃金獵犬 | 7 | 65 | 平靜 | 高 |
| 拉布拉多獵犬 | 35 | 73 | 平靜 | 高 |
| 法國鬥牛犬 | 0.5 | 11 | 平靜 | medium |
| 不明混種犬 | 4 | 45 | excitable | 高 |
| 巴吉度獵犬 | 9 | 48 | 平靜 | medium |
根據 金氏世界紀錄的認證，最長壽的狗是 Bluey，牠是一隻澳洲牧牛犬，活到 29 歲 5 個月。因此，拉布拉多獵犬實際上是 35 歲的說法似乎不太可能，更有可能的是狗的年齡計算或記錄有誤 (也許狗實際上是 3.5 歲)。這個錯誤也可能表示資料集中年齡資料有更廣泛的準確度問題，需要進一步調查。
資料偏移
資料中若有任何偏差，例如某些群組或特徵的比例可能高於或低於實際發生率，就可能會導致模型出現偏差。
稽核模型成效時，除了查看匯總結果，也請依次要群組細分結果。舉例來說，在救援狗認養模型的情況下，為了確保公平性，單純查看整體準確度是不夠的。我們也應依次群組稽核成效，確保模型在各個犬種、年齡層和體型群組中均有良好表現。
在本單元後續的「評估偏差」部分，我們會進一步探討評估模型的不同方法，並依次評估各個子群組。