Podsumowanie
Jak usunąć odchylenie z modeli uczenia maszynowego i upewnić się, że prognozy są uczciwe? Jakie są trzy etapy, na których można zastosować rozwiązanie ograniczające odchylenie? Ten wzorzec kodu odpowiada na te pytania, aby ułatwić podejmowanie świadomych decyzji na podstawie wyników modeli predykcyjnych.
Jeśli masz pytania dotyczące tego wzorca kodu, zadaj je lub poszukaj odpowiedzi w powiązanych Forum.
Opis
Uczciwość danych i algorytmów uczenia maszynowego ma kluczowe znaczenie dla tworzenia bezpiecznych i odpowiedzialnych systemów sztucznej inteligencji. Chociaż dokładność jest jedną z miar służących do oceny dokładności modelu uczenia maszynowego, uczciwość umożliwia zrozumienie praktycznych konsekwencji wdrożenia modelu w rzeczywistej sytuacji.
W tym wzorcu kodu używasz zestawu danych dotyczących cukrzycy, aby przewidzieć, czy dana osoba jest podatna na cukrzycę. Będziesz używać IBM Watson® Studio, IBM Cloud Object Storage i AI Fairness 360 Toolkit do tworzenia danych, stosowania algorytmu ograniczającego odchylenie, a następnie analizowania wyników.
Po wykonaniu tego wzorca kodu zrozumiesz, jak:
- Utwórz projekt za pomocą Watson Studio
- Użyj zestawu narzędzi AI Fairness 360
Przepływ
- Zaloguj się do IBM Watson Studio powered by Spark, zainicjuj IBM Cloud Object Storage i utwórz projekt.
- Prześlij plik danych .csv do IBM Cloud Object Storage.
- Załaduj plik danych do notatnika Watson Studio.
- Zainstaluj zestaw narzędzi AI Fairness 360 w notebooku Watson Studio.
- Przeanalizuj wyniki po zastosowaniu algorytmu ograniczania odchylenia na etapach przetwarzania wstępnego, w trakcie i przetwarzania końcowego.
Instrukcje
Znajdź szczegółowe kroki dla tego wzoru w readme plik. Kroki pokażą Ci, jak:
- Utwórz konto w IBM Cloud.
- Utwórz nowy projekt Watson Studio.
- Dodaj dane.
- Utwórz notatnik.
- Wstaw dane jako DataFrame.
- Uruchom notatnik.
- Przeanalizuj wyniki.
Ten wzorzec kodu jest częścią Zestaw narzędzi AI 360: wyjaśniono modele AI serie przypadków użycia, które pomagają interesariuszom i programistom w pełnym zrozumieniu cyklu życia modelu sztucznej inteligencji i pomagają im podejmować świadome decyzje.
Źródło: https://developer.ibm.com/patterns/identify-and-remove-bias-from-ai-models/
- Konto
- AI
- algorytm
- Algorytmy
- ciało
- Budowanie
- Chmura
- kod
- zawartość
- dane
- zbiór danych
- deweloperzy
- Cukrzyca
- sprawiedliwy
- pływ
- W jaki sposób
- How To
- HTTPS
- IBM
- IBM Cloud
- IBM Watson
- zidentyfikować
- nauka
- uczenie maszynowe
- model
- Przechowywanie obiektów
- Wzór
- Przewidywania
- projekt
- Efekt
- "bezpiecznym"
- Serie
- zestaw
- przechowywanie
- systemy
- Watson
- Studio Watsona