Obiektywność: rodzaje uprzedzeń

Modele systemów uczących się nie są z natury obiektywne. Specjaliści ML trenowanie modeli przez dostarczanie im zbioru danych z przykładami treningowymi, zaangażowanie w udostępnianie i selekcję tych danych może sprawić, że model prognozy podatne na uprzedzenia.

Podczas tworzenia modeli ważne jest, aby mieć świadomość ludzkich uprzedzeń, które mogą w swoich danych i podejmować działania, aby zniwelować wpływ efekty.

Błąd raportowania

Tendencyjność historyczna

Błąd automatyzacji

Korekta wyboru

Błąd doboru występuje, jeśli przykłady w zbiorach danych są wybierane w sposób, który nie odzwierciedla ich rzeczywistej dystrybucji. Błąd wyboru może przybierać różne formy, łącznie z uprzedzeniami związanymi z zasięgiem, brakiem odpowiedzi i błędem próbkowania.

Błąd pokrycia

Błąd związany z brakiem odpowiedzi

Błąd próbkowania

Błąd atrybucji grupy

Błąd uogólnienia jest to tendencja do uogólniania całej grupy, że to, co dotyczy poszczególnych osób, należących do nich. Błąd uogólnienia występuje często w 2 postaciach:

Stronniczość wewnątrzgrupowa

Błąd jednorodności grupy obcej

Uprzedzenia ogólne

Błąd potwierdzenia

Wpływ eksperymentu

Ćwiczenie: sprawdź swoją wiedzę

Który z tych typów uprzedzenia mógł przyczynić się do nieprawidłowych prognoz w modelu przyjęć na studia opisanym we wstępie?
Błąd potwierdzenia
Błąd automatyzacji
Tendencyjność historyczna
Stronniczość wewnątrzgrupowa