L'apprentissage automatique pour les applications à haut risque

Chapitre 10. Tester et corriger lesbiais avec XGBoost

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Ce chapitre présente les techniques de test des biais et de remédiation pour les données structurées. Alors que le chapitre 4 abordait les questions relatives aux biais sous différents angles, ce chapitre se concentre sur les implémentations techniques des approches de test de biais et de remédiation. Nous commencerons par entraîner XGBoost sur une variante des données de carte de crédit. Nous testerons ensuite les biais en vérifiant les différences de performances et de résultats entre les groupes démographiques. Nous essaierons également d'identifier tout problème de biais au niveau des observations individuelles. Une fois que nous aurons confirmé l'existence de niveaux mesurables de biais dans les prédictions de notre modèle, nous commencerons à essayer de corriger ou de remédier à ce biais. Nous utilisons des méthodes de remédiation avant, pendant et après le traitement qui tentent de corriger les données d'apprentissage, le modèle et les résultats, respectivement. Nous terminerons ce chapitre en procédant à une sélection de modèle tenant compte des biais, ce qui nous permettra d'obtenir un modèle à la fois performant et plus juste que le modèle original.

Bien que nous ayons été clairs sur le fait que les tests techniques et les correctifs pour les biais ne résolvent pas le problème des biais ...