Équité: types de biais

Les modèles de machine learning (ML) ne sont pas objectifs par nature. Les professionnels du ML entraînent des modèles en leur fournissant un ensemble de données d'exemples d'entraînement. L'implication humaine dans la fourniture et la curation de ces données peut rendre les prédictions d'un modèle sujettes à des biais.

Lors de la création de modèles, il est important de connaître les biais humains courants qui peuvent dans vos données. Vous pouvez ainsi prendre des mesures proactives pour atténuer les effets les effets.

Biais de fréquence

Biais historique

Biais d'automatisation

Biais de sélection

Le biais de sélection survient lorsque la façon dont les exemples d'un ensemble de données sont choisis ne correspond pas à leur distribution réelle. Le préjugé de sélection peut prendre de nombreuses formes différentes, notamment le biais de couverture, le préjugé de non-réponse et le préjugé d'échantillonnage.

Biais de couverture

Biais de non-réponse

Biais d'échantillonnage

Biais de représentativité

Le biais de représentativité désigne la propension à généraliser ce qui est vrai pour certaines personnes à l'ensemble du groupe auquel elles appartiennent. Le biais de représentativité se manifeste souvent dans les formulaires.

Biais d'appartenance

Biais d’homogénéité de l’exogroupe

Biais implicite

Biais de confirmation

Préjugé de l'expérimentateur

Exercice : Vérifiez votre compréhension

Lesquels des types de préjugés suivants auraient pu contribuer aux prédictions biaisées du modèle d'admission à l'université décrit po l'introduction ?
Biais historique
Biais de confirmation
Biais d'automatisation
Biais d'appartenance