Публикации по теме 'bias'
Предвзятость данных: о чем должны знать все специалисты по работе с данными
В настоящее время мы живем в эпоху данных — данные влияют на все, от повседневных продуктов до важных жизненных решений. Специалистам по работе с данными (например, инженерам-программистам, инженерам по машинному обучению, специалистам по обработке и анализу данных и т. д.) важно осознавать, как предвзятость может повлиять на наши данные и результаты. В этой статье мы рассмотрим неполный список распространенных предубеждений и приведем несколько примеров, иллюстрирующих возможные..
Машинное обучение не только предсказывает будущее, но и активно его создает
Учебник по предвзятости позиции (и почему это важно)
Стандартные учебные программы по машинному обучению учат, что модели машинного обучения изучают шаблоны, существующие в прошлом, чтобы делать прогнозы на будущее.
Это аккуратное упрощение, но все резко меняется, когда прогнозы этих моделей используются в производстве, где они создают петли обратной связи: теперь сами прогнозы модели влияют на мир, из которого модель пытается извлечь уроки. Наши модели уже не просто предсказывают..
Преодоление предвзятости и дисперсии в машинном обучении
Руководство для начинающих, посвященное размышлениям о выборе модели и настройке гиперпараметров.
При запуске проекта машинного обучения не всегда легко понять, какую модель выбрать, особенно если вы новичок в этой области. В этом посте мы рассмотрим несколько общих соображений, которые вы должны учитывать при запуске проекта.
Выберите модель с правильным типом прогноза:
Выбор модели машинного обучения с правильным типом вывода может показаться очевидным, но это важный первый шаг в..
🔍 Откуда берутся предубеждения в ML? (2/Н) ❌ Исключение
В этом втором посте о причинах предубеждений в ML мы сосредоточимся на одном из самых важных предубеждений в ML: предубеждениях исключения. ⚠
⬇ Что говорят нам о них исследования?
Смещения исключения возникают, когда некоторые важные переменные не учитываются в модели. Также называемые смещениями пропущенных переменных, они наиболее распространены на этапе предварительной обработки данных. Как представлено Mehrabi et al. (2019), они представляют собой предубеждения, возникающие..
Все начинается с качества данных
В этом посте я хочу обсудить вопрос (по крайней мере, для меня) первостепенной важности - качество данных . Новые алгоритмы машинного обучения, их оценка и оптимизация, конечно, полезны и доставляют удовольствие, но если вы примените отличный алгоритм к зашумленным, грязным или поврежденным данным, не ожидайте, что он вернет отличные результаты. В двух эпизодах блестящих передач обсуждается эта проблема, среди прочего, например, осведомленность общественности о машинном обучении, как..
Наблюдаемость машинного обучения: предотвращение сбоев и предвзятости
Узнайте о важности наблюдаемости ИИ и ключевых компонентах эффективной стратегии наблюдения
Наблюдаемость ИИ: почему и как
Наблюдаемость ИИ обеспечивает постоянное понимание производительности модели машинного обучения в производственной среде. Эта информация используется для проведения всестороннего обзора производительности системы и внесения изменений, если это необходимо. В этой статье мы рассмотрим, почему так важна наблюдаемость ИИ, проблемы ее реализации и ключевые компоненты..
Больше подводных камней и типов предвзятости
Модели машинного обучения могут делать прогнозы, но иногда результаты кажутся слишком хорошими, чтобы быть правдой, или даже близко не такими высокими, как ожидалось. В этом чтении мы рассмотрим больше «подводных камней», о которых вам следует знать, и способы их решения.
1. Ваша модель имеет слишком высокие оценки или не соответствует ожидаемым результатам в будущих прогнозах
В случае, если ваша модель имеет очень высокий балл, например 100%, это должно вызывать опасения, что может..
