机器学习22：机器学习工程落地注意事项-II（公平-Fairness）

负责任地评估机器学习模型需要做的不仅仅是计算损失指标。在将模型投入实际应用之前，审核训练数据并评估偏见（Bias）对预测至关重要。本文内容着眼于解读训练数据中可能存在的不同类型的人类偏见，同时提供了识别它们并评估其影响的策略。

目录

1.偏见的类型（Types of Bias）

1.1 报告偏见

1.2 自动化偏见

1.3 选择偏见

1.4 群体归因偏见

1.5 隐性偏见

2.识别偏见（Identifying Bias）

2.1 缺少特征值

2.2 意外的特征值

2.3 数据偏见

3. 评估偏见（Evaluating for Bias）

3.1 额外的公平资源

4.参考文献

---

1.偏见的类型（Types of Bias）

机器学习模型本质上并不客观。工程师通过向模型提供训练示例数据集来训练模型，而人类参与这些数据的提供和管理可能会使模型的预测容易出现偏差。

构建模型时，了解数据中可能出现的常见人类偏见非常重要，这样我们就可以采取主动措施来减轻其影响。

警告：以下偏差清单仅提供了机器学习数据集中经常发现的一小部分偏差；此列表并非详尽无遗。维基百科的 认知偏见目录 列举了 100 多种可能影响我们判断的不同类型的人类偏见。在审核数据时，我