Обзор
Как удалить предвзятость в моделях машинного обучения и обеспечить справедливость прогнозов? На каких трех этапах может быть применено решение по снижению смещения? Этот шаблон кода отвечает на эти вопросы, чтобы помочь вам принять обоснованное решение, используя результаты прогнозных моделей.
Если у вас есть вопросы об этом шаблоне кода, задавайте их или ищите ответы в связанных Форум.
Описание
Справедливость в отношении данных и алгоритмов машинного обучения имеет решающее значение для создания безопасных и ответственных систем искусственного интеллекта. Хотя точность - это один из показателей для оценки точности модели машинного обучения, справедливость дает вам возможность понять практические последствия развертывания модели в реальной ситуации.
В этом шаблоне кода вы используете набор данных о диабете, чтобы предсказать, предрасположен ли человек к диабету. Вы будете использовать IBM Watson® Studio, IBM Cloud Object Storage и AI Fairness 360 Toolkit для создания данных, применения алгоритма смягчения смещения, а затем анализа результатов.
После завершения этого шаблона кода вы понимаете, как:
- Создайте проект с помощью Watson Studio
- Используйте набор инструментов AI Fairness 360
Поток
- Войдите в IBM Watson Studio на базе Spark, запустите IBM Cloud Object Storage и создайте проект.
- Загрузите файл данных .csv в IBM Cloud Object Storage.
- Загрузите файл данных в записную книжку Watson Studio.
- Установите AI Fairness 360 Toolkit в записную книжку Watson Studio.
- Проанализируйте результаты после применения алгоритма уменьшения смещения на этапах предварительной, внутренней и постобработки.
инструкции
Найти подробные шаги для этого шаблона в ридми файл. Шаги покажут вам, как:
- Создайте учетную запись в IBM Cloud.
- Создайте новый проект Watson Studio.
- Добавить данные.
- Создайте тетрадь.
- Вставьте данные как DataFrame.
- Запустите ноутбук.
- Проанализируйте результаты.
Этот шаблон кода является частью Набор инструментов AI 360: объяснение моделей ИИ серия вариантов использования, которая помогает заинтересованным сторонам и разработчикам полностью понять жизненный цикл модели ИИ и помогает им принимать обоснованные решения.
Источник: https://developer.ibm.com/patterns/identify-and-remove-bias-from-ai-models/