Imparcialidade: tipos de viés

Os modelos de aprendizado de máquina (ML) não são objetivos por natureza. Os profissionais de ML treinam modelos ao alimentar um conjunto de dados com exemplos de treinamento. O envolvimento humano no provisionamento e na curadoria desses dados pode tornar as previsões de um modelo suscetíveis a vieses.

Ao criar modelos, é importante estar ciente dos vieses humanos comuns que podem se manifestar nos dados para que você possa tomar medidas preventivas para mitigar os efeitos.

Viés de relatório

Viés histórico

Viés de automação

Viés de seleção

O viés de seleção ocorre quando os exemplos de um conjunto de dados são escolhidos de uma forma que não corresponde à distribuição no mundo real. O viés de seleção pode ter muitas formas diferentes, incluindo viés de cobertura, viés de não resposta e viés de amostragem.

Viés de convergência

Viés de não resposta

Viés de amostragem

Viés de atribuição a grupos

O viés de atribuição a grupos é uma tendência de generalizar as características de uma pessoa para todo o grupo a que ela pertence. O viés de atribuição a grupos geralmente se manifesta nas duas formas a seguir.

Viés de grupo

Viés de homogeneidade externa ao grupo

Viés implícito

Viés de confirmação

Viés do experimentador

Exercício: testar seu conhecimento

Qual dos seguintes tipos de viés pode ter contribuído para as previsões distorcidas no modelo de admissão nas faculdades descrito na introdução?
Viés histórico
Viés de automação
Viés de grupo
Viés de confirmação