如何处理生产环境中的数据和机器学习偏误?

译者 | 布加迪

审校 | 重楼

您是否需要确定自己的数据集存在性别或种族方面的偏误?是否需要确保使用的机器学习模型没有,即使数据有偏误如果您对上述问题的回答是肯定的,那么这篇文章就适合您阅读

如何处理生产环境中的数据和机器学习偏误?

偏误简介

偏误是指有意识或无意识地倾向于某一特定群体,通常排斥其他人。对于属于某些种族、民族、性别、能力和宗教群体的人来说,偏误会导致歧视,并在机会和成功方面造成系统性障碍。在有偏误的世界中生成的数据本身就是有偏误的。创建和部署机器学习模型总是伴随着显著的偏风险。因此,机器学习解决方案环境应该提供人类可用的解释检测和纠正偏

问责制和可访问性在处理偏误方面至关重要。需要问责制确保任何注意到偏误的人都能采取行动。生产环境机器学习系统的可访问性便于及时处理偏。审计日志可以部分解决问责制。通过自动化和易于使用的UI/UX降低机器学习的进入门槛有助于提高可访问性。

本文解释如何通过针对数据和机器学习模型的系统来检测和处理与数据相关的偏和与模型相关的偏按照定义,与数据相关偏误数据集中已经存在的偏误。比如在客户流失预测用例中,90%的数据集可能含白人客户,导致数据集存在种族偏误。按照定义,与模型相关的偏误指模型生成的偏误。在这种情况下,由于白人占人口的90%,旨在尽量减小误差模型可以更好地预测白人的流失,从而导致模型出现种族偏误。使用这种模型采取行动防止客户流失,会导致非白人群体得不到充足的服务。

数据偏误的检测

数据集的一些变量值比其他变量值更频繁地出现时,就会出现第一种也是最常见的数据相关偏误(代表偏误)比如在临床试验中,90%的参与者可能是男性。

通过重新采样数据平等地代表不同的群体,可以部分地处理代表偏误。然而,当代表性不足的群体的信息和细节较少时,机器学习模型对这个群体的学习可能会较少。

当存在与目标特征高度相关的变量时,也会出现与数据相关的偏误。为了根据某些敏感特征检测偏误,可以计算特征相关性即每列相对目标特征的相关性。用户可以忽略可能导致偏误的高度相关的敏感特征,比如性别或年龄。请注意,线性相关测量可能不适用于同时含离散特征和连续特征(即非线性相关性)的数据集。使用归一化互信息有助于解决这个问题。

即使去除了敏感相关特征,也可能存在与那些敏感特征相关的其他特征。比如说,邮政编码可能与种族高度相关。即使从模型构建中去除种族,保留邮政编码仍然可能导致有偏误的模型。根据变量之间的相关性对变量进行聚类或分组可能有助于检测和去除这类相关特征。检测复杂数据偏误的另一种方法是为每个敏感特征创建机器学习模型。应该忽略机器学习模型中对这些敏感特征的预测贡献最大的特征。

机器学习模型偏误的检测

对于与模型相关的偏误,要同时考虑机器学习模型的输入和模型的输出预测。当数据集不平衡时,敏感特征可能与目标特征过于相关而导致偏误。一些机器学习平台在构建模型时分配自动类权重,以强调未充分代表的类。

机器学习模型解释也有助于检测和预防模型相关的偏误。存在局部或全局特征的重要性,比如SHAPLIME,提供了关于每个特征的值如何影响模型结果的信息。比如说,如果年龄增加导致信用评分预测降低,那么模型具有与年龄相关的偏误。然而,很难确定偏误在模型中的确切位置。可以使用易于解释的代理模型解释,比如线性模型或决策树。代理模型近似并解释用于决策制定的底层机器学习模型。它们允许更细粒度地检测偏误。决策树代理模型包含模型预测自动生成的微段,每个类似一个规则(比如说,如果代理类型是老年人,性别是男性,那么客户就会流失

检测到机器模型偏误或任何其他问题)后,行动的容易程度和速度决定了解决集训的速度有多快。创建共享数据和模型解释可以帮助用户更快地采取行动。

结语

你可以系统地检测和预防数据和机器学习模型中的偏误。比如通过雇用来自不同背景的用户,并为他们提供人工智能,不仅有助于更好地检测和预防偏误还有助于纠正偏误检测系统或机器学习模型失败或被人做手脚的情况。

原文标题:How To Handle Data And Machine Learning Bias In Production,作者:Zehra Cataltepe

文章版权声明

 1 原创文章作者:4041,如若转载,请注明出处: https://www.52hwl.com/72870.html

 2 温馨提示:软件侵权请联系469472785#qq.com(三天内删除相关链接)资源失效请留言反馈

 3 下载提示:如遇蓝奏云无法访问,请修改lanzous(把s修改成x)

 免责声明:本站为个人博客,所有软件信息均来自网络 修改版软件,加群广告提示为修改者自留,非本站信息,注意鉴别

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2023年7月17日 下午12:43
下一篇 2023年7月17日 下午12:44