공정성: 편향의 유형

머신러닝 (ML) 모델은 본질적으로 객관적이지 않습니다. ML 실무자 모델에 학습 예시 데이터 세트를 제공하여 이러한 데이터의 프로비저닝과 선별에 개입함으로써 모델의 예측이 편중되기 쉽습니다.

모델을 만들 때는 모델에 영향을 줄 수 있는 데이터에 매니페스트를 삽입하여 사전 예방적 조치를 취하여 사용할 수 있습니다.

보고 편향

과거 편향

자동화 편향

표본 선택 편향

표본 선택 편향은 데이터 세트의 예시는 예시를 반영하지 않은 방식으로 살펴보겠습니다. 표본 선택 편향은 다양한 형태를 취할 수 있습니다. 여기에는 커버리지 편향, 무응답 편향, 샘플링 편향 등이 포함됩니다

포함 편향

무응답 편향

표본 추출 편향

그룹 귀인 편향

그룹 귀인 편향 전체 그룹에서 개인의 특성을 일반화하여 확인할 수 있습니다 그룹 귀인 편향은 보통 양식을 작성했습니다.

내집단 편향

외부 집단 동질화 편향

내재적 편향

확증 편향

실험자 편향

연습문제: 학습 내용 점검하기

다음 중 어떤 유형의 편향이 원인이 되었을 수 있나요? 편향된 예측으로 바꾸어 보겠습니다. 인치 어떻게 해야 할까요?
자동화 편향
확증 편향
과거 편향
내집단 편향