Maschinelles Lernen für hochriskante Anwendungen

Kapitel 10. Testen und Beseitigen vonVerzerrungen mit XGBoost

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In diesem Kapitel werden Techniken zur Prüfung und Beseitigung von Verzerrungen bei strukturierten Daten vorgestellt. Während in Kapitel 4 die Problematik der Verzerrungen aus verschiedenen Blickwinkeln beleuchtet wurde, konzentriert sich dieses Kapitel auf die technische Umsetzung von Verzerrungsprüfungen und -beseitigungsverfahren. Wir beginnen mit dem Training von XGBoost auf einer Variante der Kreditkartendaten. Dann testen wir auf Verzerrungen, indem wir die Unterschiede in der Leistung und den Ergebnissen zwischen den demografischen Gruppen überprüfen. Wir werden auch versuchen, mögliche Verzerrungen auf der Ebene der einzelnen Beobachtungen zu erkennen. Sobald wir messbare Verzerrungen in unseren Modellvorhersagen festgestellt haben, versuchen wir, diese zu korrigieren oder zu beseitigen. Wir wenden Methoden zur Korrektur vor, während und nach der Verarbeitung an, um die Trainingsdaten, das Modell und die Ergebnisse zu korrigieren. Zum Abschluss des Kapitels führen wir eine bias-bewusste Modellauswahl durch, die zu einem Modell führt, das sowohl leistungsfähiger als auch fairer ist als das ursprüngliche Modell.

Auch wenn wir uns darüber im Klaren sind, dass technische Tests und Korrekturen das Problem der Voreingenommenheit beim maschinellen Lernen nicht lösen, spielen sie dennoch ...