Makine öğrenimi (ML) modelleri doğası gereği nesnel değildir. Makine öğrenimi uzmanları eğitim örneklerinden oluşan bir veri kümesi besleyerek modelleri eğitir ve Bu verilerin sağlanması ve seçimine dahil olmak, bir modelin açıklığa kavuşturmaktır.
Modeller geliştirirken, yapay zekanın neden olabileceği genel önyargıların böylece risklerin etkilerini azaltmaya yönelik proaktif adımlar atmanızı, hoşuma gidiyor.
Raporlama yanlılığı
-
Tanım
Raporlama yanlılığı, bir veya daha fazla yakalanan etkinliklerin, özelliklerin ve/veya sonuçların gerçek dünyadaki frekanslarını doğru şekilde yansıtmasıdır. Bu yanlılık, çünkü insanlar genelde gerçek olmayan koşulları belgelemeye odaklanır. sıra dışı veya özellikle unutulmaz ki kaydedilmesi gerekir.
-
Örnek
Yaklaşım analizi modeli, kitabın herhangi bir zamanda yorumlar, kullanıcı topluluğuna göre olumlu veya olumsuz popüler bir web sitesine gönderim. Şuradaki yorumların çoğu: gözlemlenen bilgileri yansıtması için düşünülebilir (örneğin, bir kitabı sevmiş veya nefret etmiş olabilir) çünkü kullanıcıların gönderme olasılığı daha düşüktür bir kitapla ilgili sert bir yanıt vermemiş olabilir. Kullanıcı bu nedenle modelin yaklaşımlarını doğru daha açık bir dille anlatıldığı yorumlar.
simgesini tıklayın chevron_left ifadesini ekleyin.
Geçmişe dayalı önyargı
-
Tanım
Geçmiş yanlılık, geçmiş veriler zamanda dünyada var olan eşitsizlikleri yansıtır.
-
Örnek
1960'lara ait bir şehir konutu veri kümesi ev fiyatı verileri içeriyor geçerli olan ayrımcı kredi uygulamalarının on yıllık bir dönemdir.
simgesini tıklayın chevron_left ifadesini ekleyin.
Otomasyon önyargısı
-
Tanım
Otomasyon yanlılığı, sonuçlara öncelik verme eğilimidir otomatik olmayan sistemler tarafından oluşturulanlara kıyasla ne kadar iyi performans gösterdiğini anlamanıza yardımcı olur.
-
Örnek
Bir dişli çark üreticisi için çalışan makine öğrenimi uygulayıcıları, "çığır açan" yeni çığır açacak tespit etmek için eğitmeleri gereken dişte bozukluklar varsa modelin hassasiyet ve geri çağırma oranlarına kıyasla% 15 daha düşüktü denetçilerden oluşuyor.
simgesini tıklayın chevron_left ifadesini ekleyin.
Seçim yanlılığı
Seçim yanlılığı, örneklerinin kendi verilerini yansıtmayan bir şekilde seçilmesi ne kadar iyi karşıladığını görebileceksiniz. Seçim yanlılığı birçok farklı biçimde olabilir. (ör. kapsam yanlılığı, yanıt vermeme yanlılığı ve örnekleme yanlılığı dahil).
Kapsam yanlılığı
-
Tanım
Kapsam yanlılığı, veriler şurada seçilmezse ortaya çıkar: bir örnek teşkil eder.
-
Örnek
Bir model, mevcut bir ürünün gelecekteki satışlarını tahmin etmek için eğitilir telefon üzerinden yapılan anketlerde, bahsi geçen gerekiyor. Rakip bir ürün satın almayı tercih eden tüketiciler ve sonuç olarak bu kişi grubuna 12 ay içinde temsil edilir.
simgesini tıklayın chevron_left ifadesini ekleyin.
Yanıt olmayan yanlılık
-
Tanım
Yanıt olmayan yanlılık ( olarak da bilinir) katılım önyargısı), veriler müşterinin amacına hizmet veri toplamada katılım eksiklikleri nedeniyle temsili değildir bahsedeceğim.
-
Örnek
Bir model, mevcut bir ürünün gelecekteki satışlarını tahmin etmek için eğitilir telefon üzerinden yapılan anketlerde, bahsi geçen ve rakip bir ürün satın alan tüketicilerden oluşan belirler. Rakip ürünü satın alan tüketiciler, %80 daha yüksek büyük ihtimalle ankete katılmayı reddetmiştir ve verileri yeterince temsil edilmiyor.
simgesini tıklayın chevron_left ifadesini ekleyin.
Örnekleme yanlılığı
-
Tanım
Örnekleme yanlılığı, doğru rastgele hale getirme yapılırsa ortaya çıkar veri toplama sırasında kullanılmaz.
-
Örnek
Bir model, mevcut bir ürünün gelecekteki satışlarını tahmin etmek için eğitilir telefon üzerinden yapılan anketlerde, bahsi geçen ve rakip bir ürün satın alan tüketicilerden oluşan belirler. Anketör, tüketicileri rastgele hedeflemek yerine bir e-postayı yanıtlayan ilk 200 tüketiciyi seçti. ortalamadan daha fazla ilgi gösterdiğini belirtiyor daha fazla bilgi edineceksiniz.
simgesini tıklayın chevron_left ifadesini ekleyin.
Grup ilişkilendirme önyargısı
Grup ilişkilendirme ön yargısı bireyler için doğru olanı, grubun tamamını kapsayacak şekilde genelleştirme eğilimidir. bir liste oluşturun. Grup ilişkilendirme yanlılığı genellikle aşağıdaki ikide ortaya çıkar: oluşturabilirsiniz.
Grup içi önyargı
-
Tanım
Grup içi önyargı veya özellikleri nedeniyle ait olduğunuz grup gösterir.
-
Örnek
Proje için öz geçmiş tarama modelini eğiten iki makine öğrenimi uygulayıcısı yazılım geliştiricileri, başvuru sahiplerinin genellikle ve aynı bilgisayar bilimleri akademisine devam eden daha uygun niteliklere sahip kişilerdir.
simgesini tıklayın chevron_left ifadesini ekleyin.
Grup dışı homojenlik yanlılığı
-
Tanım
Grup dışı homojenlik yanlılığı, bir grubun farklı kişilerine karşı olmak istediğiniz düşünceler, ya da özelliklerini daha tek tip olarak görebilirler.
-
Örnek
Proje için öz geçmiş tarama modelini eğiten iki makine öğrenimi uygulayıcısı yazılım geliştiricilerin, tüm başvuru sahiplerinin, herhangi bir bilgisayar bilimleri akademisine katılmayan adayların yeterli uzmanlığınız vardır.
simgesini tıklayın chevron_left ifadesini ekleyin.
Örtülü Önyargı
-
Tanım
Üstü kapalı yanlılık, varsayımlar yapıldığında ortaya çıkar düşünce modeline ve kişisel deneyimlerine dayanarak bu her zaman geçerli olmayabilir.
-
Örnek
Hareket tanıma modelini eğiten bir makine öğrenimi uygulayıcısı, kafa sallama bir kişinin “hayır” kelimesini iletişiminde olduğunu gösteren bir özellik. Buna karşın, dünyanın bazı bölgelerinde kafa sallama anlamına gelir.
simgesini tıklayın chevron_left ifadesini ekleyin.
Doğrulama yanlılığı
-
Tanım
Doğrulama yanlılığı, model derleyiciler tarafından verileri önceden var olan inançları doğrulayacak şekilde bilinçsiz bir şekilde işleme ve hipotezler.
-
Örnek
Bir makine öğrenimi uygulayıcısı, agresifliği tahmin eden bir model oluşturuyor özellikleri (boy, kilo, cins ve) üzerinde çalışan ortam) da kullanabilirsiniz. Serbest çalışan kişinin çocukken hiperaktif bir oyuncak kaniş. O zamandan beri ki ne kadar saldırgan olduğunu konuştuk. Modelin eğitim verilerini seçerken çalışanların geri bildirim vermelerine yardımcı olan özellikleri küçük köpeklerde yumuşaklık kanıtı.
simgesini tıklayın chevron_left ifadesini ekleyin.
Deneycinin yanlılığı
-
Tanım
Deneycinin yanlılığı, bir model oluşturucu olduğunda ortaya çıkar modelle uyumlu bir sonuç üretene kadar modeli eğitmeye devam eder. ortaya çıkarmanıza yardımcı olabilir.
-
Örnek
Bir makine öğrenimi uygulayıcısı, agresifliği tahmin eden bir model oluşturuyor özellikleri (boy, kilo, cins ve) üzerinde çalışan ortam) da kullanabilirsiniz. Serbest çalışan kişinin çocukken hiperaktif bir oyuncak kaniş. O zamandan beri ki ne kadar saldırgan olduğunu konuştuk. Eğitilen model en çok tahminde bulunduğunda oyuncak kanişleri nispeten uyumsuz olarak kabul ettiyse uygulayıcı yeniden eğitildi gösteren bir sonuç üretene kadar modeli birkaç kez daha daha küçük kanişlerin daha şiddetli olmasını sağlar.
simgesini tıklayın chevron_left ifadesini ekleyin.