Справедливость

Ответственная оценка модели машинного обучения требует большего, чем просто расчет показателей потерь. Прежде чем запускать модель в производство, очень важно проверить данные обучения и оценить прогнозы на предмет систематической ошибки.

В этом модуле рассматриваются различные типы человеческих предубеждений, которые могут проявляться в обучающих данных. Затем он предоставляет стратегии для их выявления и оценки их воздействия.

Справедливость

Куча бананов на полке в магазине
  • Бананы
Гроздь бананов
  • Бананы
  • Наклейки
Гроздь бананов
  • Бананы
  • Наклейки
  • Бананы на полках
Гроздь бананов
  • Зеленые бананы
  • Незрелые бананы
Куча зеленых бананов
  • Перезрелые бананы
  • Подходит для бананового хлеба
Куча коричневых бананов

Желтые бананы

Желтый типичен для бананов

Куча желтых бананов
Диаграмма, иллюстрирующая типичный рабочий процесс машинного обучения: сбор данных, затем обучение модели, а затем создание выходных данных.
Диаграмма, иллюстрирующая два типа систематических ошибок в данных: человеческие ошибки, которые проявляются в данных (например, ошибка в отношении однородности вне группы), и человеческие ошибки, влияющие на сбор и аннотирование данных (например, ошибка подтверждения)
  1. Рассмотрим проблему
  1. Рассмотрим проблему
  2. Спросите экспертов
  1. Рассмотрим проблему
  2. Спросите экспертов
  3. Обучите модели учитывать предвзятость
  1. Рассмотрим проблему
  2. Спросите экспертов
  3. Обучите модели учитывать предвзятость
  4. Интерпретация результатов
  1. Рассмотрим проблему
  2. Спросите экспертов
  3. Обучите модели учитывать предвзятость
  4. Интерпретация результатов
  5. Публиковать с учетом контекста
Назад
Проверьте свое понимание
Далее
Типы смещения