Povzetek
Kako odstraniti pristranskost iz modelov strojnega učenja in zagotoviti, da so napovedi poštene? Katere so tri stopnje, v katerih je mogoče uporabiti rešitev za zmanjšanje pristranskosti? Ta vzorec kode odgovarja na ta vprašanja in vam pomaga pri sprejemanju informirane odločitve z uporabo rezultatov napovednih modelov.
Če imate vprašanja o tem vzorcu kode, jih postavite ali poiščite odgovore v povezanem Forum.
Opis
Pravičnost podatkov in algoritmov strojnega učenja je ključnega pomena za gradnjo varnih in odgovornih sistemov umetne inteligence. Medtem ko je natančnost ena metrika za ocenjevanje natančnosti modela strojnega učenja, vam pravičnost omogoča razumevanje praktičnih posledic uvajanja modela v resničnem svetu.
V tem vzorcu kode uporabite nabor podatkov o sladkorni bolezni, da napoveste, ali je oseba nagnjena k sladkorni bolezni. Uporabili boste IBM Watson® Studio, IBM Cloud Object Storage in AI Fairness 360 Toolkit za ustvarjanje podatkov, uporabo algoritma za ublažitev pristranskosti in nato analizo rezultatov.
Ko dokončate ta vzorec kode, razumete, kako:
- Ustvarite projekt s programom Watson Studio
- Uporabite AI Fairness 360 Toolkit
Pretok
- Prijavite se v IBM Watson Studio, ki ga poganja Spark, zaženite IBM Cloud Object Storage in ustvarite projekt.
- Naložite podatkovno datoteko .csv v IBM Cloud Object Storage.
- Naložite podatkovno datoteko v prenosni računalnik Watson Studio.
- Namestite AI Fairness 360 Toolkit v prenosni računalnik Watson Studio.
- Analizirajte rezultate po uporabi algoritma za ublažitev pristranskosti med fazami predprocesiranja, med procesiranjem in po obdelavi.
navodila
Poiščite podrobne korake za ta vzorec v readme mapa. Koraki vam bodo pokazali, kako:
- Ustvarite račun z IBM Cloud.
- Ustvarite nov projekt Watson Studio.
- Dodajte podatke.
- Ustvarite zvezek.
- Vstavite podatke kot DataFrame.
- Zaženite zvezek.
- Analizirajte rezultate.
Ta vzorec kode je del AI 360 Toolkit: razloženi modeli AI serija primerov uporabe, ki zainteresiranim stranem in razvijalcem pomaga v celoti razumeti življenjski cikel modela umetne inteligence in jim pomaga sprejemati odločitve na podlagi informacij.
Vir: https://developer.ibm.com/patterns/identify-and-remove-bias-from-ai-models/