Sie können ein Visualisierungsdiagramm für Ihre Fairnessauswertung anzeigen, das Datenpunkte für eine überwachte Funktion zu einer ausgewählten Stunde anzeigt.
Wählen Sie in Ihrem Insights-Dashboard Ihr bereitgestelltes Modell aus, um Details zu Ihren konfigurierten Überwachungen anzuzeigen.
Um Details hinter einer bestimmten Fairnessstatistik anzuzeigen, wählen Sie Fairness aus. Anschließend können Sie eine bestimmte Zeit aus dem Fairnessdiagramm auswählen. Um ein anderes Merkmal oder eine andere Zeit zum Überprüfen der Details auszuwählen, können Sie Filter wie Überwachtes Attribut, Datum und Uhrzeit verwenden.
Diagramm interpretieren
Das Diagramm enthält eine grafische Darstellung der folgenden Informationen:
Es wird erkennbar, für welche Population die Verzerrung gilt (z. B. Kunden im Alter von 18 bis 23 Jahren). Das Diagramm zeigt außerdem den Prozentsatz im erwarteten Ergebnis für diese Population.
Das Diagramm zeigt den Prozentsatz im erwarteten Ergebnis für die Referenzpopulation, d. h. den Durchschnitt des erwarteten Ergebnisses für alle Referenzpopulationen.
Das Diagramm zeigt an, ob eine Verzerrung vorliegt. Das Verhältnis des Prozentsatzes der erwarteten Ergebnisse für die Populationen im zulässigen Bereich zum Prozentsatz der erwarteten Ergebnisse für die Referenzpopulation sowie etwaige Überschreitungen des Schwellenwerts.
Das Diagramm zeigt auch die Verteilung der Referenzwerte und überwachten Werte für jeden einzelnen Attributwert in den Daten aus der Nutzdatentabelle, für die eine Analyse zur Verzerrungserkennung durchgeführt wurde. Die Verteilung der Nutzdaten wird für jeden Einzelwert des Fairnessattributs dargestellt (und für die Referenzwerte). Diese Informationen können verwendet werden, um die Verzerrung mit der für das Modell empfangenen Datenmenge zu korrelieren.
Darüber hinaus zeigt das Diagramm, welcher Prozentsatz der Population die erwarteten Ergebnisse aufweist. Die Verzerrungsquelle sind die Daten innerhalb dieser Gruppe, die zu abweichenden Ergebnissen und einer prozentualen Zunahme der erwarteten Ergebnisse für die Referenzklasse geführt hat. Mithilfe dieser Information können Datenbestandteile identifiziert werden, die in den Stichproben beim erneuten Trainieren des Modells weniger stark gewichtet werden sollten.
Ein weiteres wichtiges Detail im Diagramm ist der Name der Datentabelle, der für die manuelle Kennzeichnung identifiziert wird, wenn der Algorithmus Verzerrung in einem Modell erkennt. Darüber hinaus werden die Datenpunkte identifiziert, die für die manuelle Kennzeichnung durch die Benutzer übermittelt werden können. Die manuell gekennzeichneten Daten können zusammen mit den ursprünglichen Trainingsdaten verwendet werden, um das Modell erneut zu trainieren. In dem erneut trainierten Modell kommt die zuvor erkannte Verzerrung wahrscheinlich nicht mehr vor. Die Tabelle für manuelle Kennzeichnung befindet sich in der Datenbank, die der Watson OpenScale-Instanz zugeordnet ist.
Nächste Schritte
Fairnessergebnisse für indirekte Verzerrung anzeigen
Übergeordnetes Thema: Insights mit Watson OpenScaleabrufen