Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Post-training Daten- und Modellverzerrung
Post-training Eine Verzerrungsanalyse kann dabei helfen, Verzerrungen aufzudecken, die möglicherweise auf Verzerrungen in den Daten oder auf Verzerrungen zurückzuführen sind, die durch die Klassifizierungs- und Prognosealgorithmen verursacht wurden. Bei diesen Analysen werden die Daten, einschließlich der Kennzeichnungen, und die Vorhersagen eines Modells berücksichtigt. Sie bewerten die Leistung, indem Sie vorhergesagte Kennzeichnungen analysieren oder die Vorhersagen mit den beobachteten Zielwerten in den Daten in Bezug auf Gruppen mit unterschiedlichen Attributen vergleichen. Es gibt unterschiedliche Vorstellungen von Fairness, für deren Messung jeweils unterschiedliche Messwerte zur Verzerrung erforderlich sind.
Es gibt rechtliche Konzepte von Fairness, die möglicherweise nicht einfach zu erfassen sind, weil sie schwer zu erkennen sind. Zum Beispiel das US-Konzept der ungleichen Auswirkungen, das entsteht, wenn eine Gruppe, die als weniger begünstigte Facet d bezeichnet wird, negative Auswirkungen hat, auch wenn der gewählte Ansatz fair zu sein scheint. Diese Art von Verzerrung ist möglicherweise nicht auf ein Modell des maschinellen Lernens zurückzuführen, könnte aber durch eine Verzerrungsanalyse nach dem Training dennoch nachweisbar sein.
Amazon SageMaker Clarify versucht, eine konsistente Verwendung der Terminologie sicherzustellen. Eine Liste der Begriffe und ihrer Definitionen finden Sie unter Amazon SageMaker verdeutlicht die Begriffe „Vorurteile“ und „Fairness“.
Weitere Informationen zu Kennzahlen für Vorurteile nach dem Training finden Sie unter Erfahren Sie, wie Amazon SageMaker Clarify bei der Erkennung von Vorurteilen
