Tính công bằng

Để đánh giá mô hình máy học một cách có trách nhiệm, bạn không chỉ cần tính toán các chỉ số tổn thất. Trước khi áp dụng một mô hình trong quá trình sản xuất, bạn cần phải kiểm tra dữ liệu đào tạo và đánh giá các dự đoán đối với định kiến.

Mô-đun này xem xét các loại thiên kiến khác nhau có thể xuất hiện trong dữ liệu huấn luyện. Sau đó, chiến lược này cung cấp các chiến lược để xác định và đánh giá hiệu quả của chúng.

Tính công bằng

Một quả chuối trên kệ tại một cửa hàng
  • Chuối
Nhiều chuối
  • Chuối
  • Hình dán
Nhiều chuối
  • Chuối
  • Hình dán
  • Chuối trên kệ
Nhiều chuối
  • Chuối xanh lục
  • Loại bỏ chuối
Nhiều quả chuối xanh
  • Overripe Chuối
  • Phù hợp cho bánh chuối
Nhiều chuối nâu

Chuối vàng

Vàng là nguyên mẫu đối với chuối

Nhiều chuối vàng
Sơ đồ minh họa quy trình máy học thông thường: thu thập dữ liệu, sau đó đào tạo một mô hình rồi tạo dữ liệu đầu ra
Sơ đồ minh họa 2 loại thành kiến trong dữ liệu: thành kiến trong con người xuất hiện trong dữ liệu (chẳng hạn như các thành kiến đồng nhất ngoài nhóm) và các định kiến con người ảnh hưởng đến việc thu thập và chú thích dữ liệu (chẳng hạn như các định kiến xác nhận)
  1. Xem xét vấn đề
  1. Xem xét vấn đề
  2. Hỏi chuyên gia
  1. Xem xét vấn đề
  2. Hỏi chuyên gia
  3. Đào tạo mẫu để tính đến độ chệch
  1. Xem xét vấn đề
  2. Hỏi chuyên gia
  3. Đào tạo mẫu để tính đến độ chệch
  4. Diễn giải kết quả
  1. Xem xét vấn đề
  2. Hỏi chuyên gia
  3. Đào tạo mẫu để tính đến độ chệch
  4. Diễn giải kết quả
  5. Xuất bản kèm theo ngữ cảnh