公平性
透過集合功能整理內容
你可以依據偏好儲存及分類內容。
如要以負責任的方式評估機器學習模型，不僅需要計算損失指標，還必須完成更多操作。在將模型推送至實際工作環境之前，請務必先稽核訓練資料，並評估預測結果是否偏誤。
這個模組審查在訓練資料中可能出現的各類人為偏誤。然後提供可識別這些策略的策略，並評估其影響。
秉持公正
設計公平性
設計公平性
- 思考問題
- 專家諮詢
- 訓練模型來考量偏誤
設計公平性
- 思考問題
- 專家諮詢
- 訓練模型來考量偏誤
- 解讀結果
設計公平性
- 思考問題
- 專家諮詢
- 訓練模型來考量偏誤
- 解讀結果
- 使用情境發布
除非另有註明，否則本頁面中的內容是採用創用 CC 姓名標示 4.0 授權，程式碼範例則為阿帕契 2.0 授權。詳情請參閱《Google Developers 網站政策》。Java 是 Oracle 和/或其關聯企業的註冊商標。
上次更新時間：2022-09-26 (世界標準時間)。
[{
"type": "thumb-down",
"id": "missingTheInformationINeed",
"label":"缺少我需要的資訊"
},{
"type": "thumb-down",
"id": "tooComplicatedTooManySteps",
"label":"過於複雜/步驟過多"
},{
"type": "thumb-down",
"id": "outOfDate",
"label":"過時"
},{
"type": "thumb-down",
"id": "translationIssue",
"label":"翻譯問題"
},{
"type": "thumb-down",
"id": "samplesCodeIssue",
"label":"示例/程式碼問題"
},{
"type": "thumb-down",
"id": "otherDown",
"label":"其他"
}]
[{
"type": "thumb-up",
"id": "easyToUnderstand",
"label":"容易理解"
},{
"type": "thumb-up",
"id": "solvedMyProblem",
"label":"確實解決了我的問題"
},{
"type": "thumb-up",
"id": "otherUp",
"label":"其他"
}]
