公平性
使用集合让一切井井有条
根据您的偏好保存内容并对其进行分类。
评估机器学习模型时,您需要做的不仅仅是计算损失指标。在将模型投入生产之前,审核训练数据并评估预测结果是否存在偏差至关重要。
本单元介绍训练数据中可能会出现的不同类型的人为偏差。然后提供了一些策略来识别和评估它们的影响。
公平性
公平性设计
公平性设计
- 考虑问题
- 询问专家
- 训练模型以将偏差考虑在内
公平性设计
- 考虑问题
- 询问专家
- 训练模型以将偏差考虑在内
- 解读结果
公平性设计
- 考虑问题
- 询问专家
- 训练模型以将偏差考虑在内
- 解读结果
- 结合背景信息发布
如未另行说明,那么本页面中的内容已根据知识共享署名 4.0 许可获得了许可,并且代码示例已根据 Apache 2.0 许可获得了许可。有关详情,请参阅 Google 开发者网站政策。Java 是 Oracle 和/或其关联公司的注册商标。
最后更新时间 (UTC):2022-09-26。
[{
"type": "thumb-down",
"id": "missingTheInformationINeed",
"label":"没有我需要的信息"
},{
"type": "thumb-down",
"id": "tooComplicatedTooManySteps",
"label":"太复杂/步骤太多"
},{
"type": "thumb-down",
"id": "outOfDate",
"label":"内容需要更新"
},{
"type": "thumb-down",
"id": "translationIssue",
"label":"翻译问题"
},{
"type": "thumb-down",
"id": "samplesCodeIssue",
"label":"示例/代码问题"
},{
"type": "thumb-down",
"id": "otherDown",
"label":"其他"
}]
[{
"type": "thumb-up",
"id": "easyToUnderstand",
"label":"易于理解"
},{
"type": "thumb-up",
"id": "solvedMyProblem",
"label":"解决了我的问题"
},{
"type": "thumb-up",
"id": "otherUp",
"label":"其他"
}]