Kết luận
Công bằng không phải là mục tiêu chỉ cần đạt được một lần; đó là một nỗ lực không ngừng. Sau đây là thông tin thêm về việc Jigsaw&hl=vi">tiếp tục nỗ lực giảm thiểu độ chệch trong các mô hình API Quan điểm.
Tìm hiểu thêm về sự công bằng máy học
Tiếp tục giáo dục Sự công bằng máy học bằng các tài nguyên này
Tự học công bằng máy học
Khóa học tự học kéo dài một giờ này sẽ giới thiệu các khái niệm cơ bản về sự công bằng máy học, bao gồm các nguồn thông tin thiên vị phổ biến, cách xác định độ chệch trong dữ liệu và cách đánh giá các dự đoán mô hình có tính đến tính công bằng.
Bảng thuật ngữ máy học
Bảng thuật ngữ máy học có hơn 30 mục nhập công bằng máy học, cung cấp định nghĩa phù hợp với người mới bắt đầu cũng như các ví dụ về xu hướng phổ biến, các chỉ số đánh giá công bằng chính, v.v.
Đưa tính công bằng vào quy trình công nghệ máy học
Hãy sử dụng những công cụ sau đây để giúp xác định và khắc phục độ sai lệch trong các mô hình máy học
Chỉ báo về sự công bằng
Chỉ báo công bằng là một công cụ trực quan hoá bằng công cụ Phân tích mô hình TeenorFlow (TFMA). Công cụ này đánh giá hiệu suất của mô hình trên các nhóm con, sau đó lập biểu đồ cho nhiều chỉ số phổ biến, bao gồm cả tỷ lệ dương tính giả, tỷ lệ âm tính giả, độ chính xác và mức độ ghi nhớ.
Công cụ How-If
Công cụ What-If là giao diện trực quan tương tác được thiết kế để giúp bạn thăm dò mô hình tốt hơn. Tìm hiểu hiệu suất của mô hình đối với nhiều tính năng trong tập dữ liệu của bạn bằng cách sử dụng các chiến lược tối ưu hóa khác nhau, đồng thời khám phá tác động của việc điều khiển các giá trị điểm dữ liệu riêng lẻ.