ความยุติธรรม: ประเภทของอคติ

โมเดลแมชชีนเลิร์นนิง (ML) ไม่ได้มีวัตถุประสงค์โดยธรรมชาติ ผู้ปฏิบัติงาน ML ฝึกโมเดลด้วยการป้อนชุดข้อมูลของตัวอย่างการฝึก ที่เกี่ยวข้องในการจัดหาและดูแลจัดการข้อมูลนี้สามารถทำให้ การคาดคะเนมีความเสี่ยงต่ออคติ

เมื่อสร้างโมเดล สิ่งสำคัญคือการตระหนักถึงอคติทั่วไปของมนุษย์ที่อาจ ในไฟล์ Manifest ในข้อมูลของคุณ เพื่อให้คุณสามารถดำเนินการเชิงรุกเพื่อลด เอฟเฟกต์

อคติในการรายงาน

อคติในอดีต

อคติการทำงานอัตโนมัติ

อคติในการเลือก

การให้น้ำหนักเลือกแบบเกิดขึ้นหาก ตัวอย่างของชุดข้อมูลถูกเลือกในลักษณะที่ไม่สะท้อนถึง การเผยแพร่ในโลกแห่งความเป็นจริง ความลำเอียงในการเลือกอาจอยู่ในรูปแบบต่างๆ ซึ่งรวมถึงความลำเอียงด้านความครอบคลุม ความลำเอียงที่ไม่ตอบ และการเลือกตัวอย่าง

อคติเรื่องความครอบคลุม

อคติจากการไม่ตอบ

ความลำเอียงในการสุ่มตัวอย่าง

การให้น้ำหนักการระบุแหล่งที่มาของกลุ่ม

การให้น้ำหนักพิเศษกับการระบุแหล่งที่มาของกลุ่ม เป็นแนวโน้มที่ผู้คนทั้งกลุ่มเข้าใจในสิ่งที่เป็นจริง เพื่อ ที่ควรจะเป็น อคติในการระบุแหล่งที่มาของกลุ่มมักปรากฏใน 2 สิ่งต่อไปนี้

อคติในกลุ่ม

อคติแบบหนึ่งเดียวนอกกลุ่ม

การให้น้ำหนักพิเศษโดยนัย

อคติยืนยันความคิดตัวเอง

อคติของผู้ทำการทดสอบ

แบบฝึกหัด: ตรวจสอบความเข้าใจ

อคติประเภทใดต่อไปนี้ที่อาจทำให้เกิด กับการคาดการณ์ที่บิดเบือนในรูปแบบการรับเข้ามหาวิทยาลัยที่อธิบายไว้ ใน บทนำ
อคติยืนยันความคิดตัวเอง
อคติต่อกลุ่มในเครื่อง
ความลำเอียงตามประวัติศาสตร์
อคติการทำงานอัตโนมัติ