Sammanfattning
Hur tar du bort bias från maskininlärningsmodellerna och ser till att förutsägelserna är rättvisa? Vilka är de tre stegen i vilka biasreduceringslösningen kan tillämpas? Detta kodmönster svarar på dessa frågor för att hjälpa dig att fatta välgrundade beslut genom att konsumera resultaten av prediktiva modeller.
Om du har frågor om detta kodmönster, ställ dem eller leta efter svar i tillhörande forum.
Beskrivning
Rättvisa data- och maskininlärningsalgoritmer är avgörande för att bygga säkra och ansvarsfulla AI-system. Medan noggrannhet är ett mått för att utvärdera noggrannheten hos en maskininlärningsmodell, ger rättvisa dig ett sätt att förstå de praktiska konsekvenserna av att distribuera modellen i en verklig situation.
I det här kodmönstret använder du en datamängd för diabetes för att förutsäga om en person är benägen att ha diabetes. Du använder IBM Watson® Studio, IBM Cloud Object Storage och AI Fairness 360 Toolkit för att skapa data, tillämpa biasreduceringsalgoritmen och analysera sedan resultaten.
Efter att ha slutfört detta kodmönster förstår du hur man:
- Skapa ett projekt med Watson Studio
- Använd AI Fairness 360 Toolkit
Flöde
- Logga in på IBM Watson Studio med Spark, initiera IBM Cloud Object Storage och skapa ett projekt.
- Ladda upp .csv-datafilen till IBM Cloud Object Storage.
- Ladda datafilen i anteckningsboken Watson Studio.
- Installera AI Fairness 360 Toolkit i Watson Studio-anteckningsboken.
- Analysera resultaten efter tillämpning av förspänningsreduceringsalgoritmen under förbehandlings-, bearbetnings- och efterbehandlingssteg.
Instruktioner
Hitta de detaljerade stegen för detta mönster i readme fil. Stegen visar hur du gör:
- Skapa ett konto med IBM Cloud.
- Skapa ett nytt Watson Studio-projekt.
- Lägg till data.
- Skapa anteckningsboken.
- Infoga data som DataFrame.
- Kör anteckningsboken.
- Analysera resultaten.
Detta kodmönster är en del av AI 360 Toolkit: AI-modeller förklarade använda fallserier, som hjälper intressenter och utvecklare att förstå AI-modellens livscykel helt och att hjälpa dem att fatta välgrundade beslut.
Källa: https://developer.ibm.com/patterns/identify-and-remove-bias-from-ai-models/
- Konto
- AI
- algoritm
- algoritmer
- kropp
- Byggnad
- cloud
- koda
- innehåll
- datum
- datauppsättning
- utvecklare
- Diabetes
- verkligt
- flöda
- Hur ser din drömresa ut
- How To
- HTTPS
- IBM
- IBM Cloud
- IBM Watson
- identifiera
- inlärning
- maskininlärning
- modell
- Objektförvaring
- Mönster
- Förutsägelser
- projektet
- Resultat
- säker
- Serier
- in
- förvaring
- System
- Watson
- Watson Studio