公平性評価の視覚化グラフを表示できます。このグラフには、選択した時間におけるモニター対象特徴量のデータ・ポイントが表示されます。
洞察ダッシュボードから、デプロイ済みのモデルを選択して、構成済みのモニターに関する詳細を表示します。
特定の公平性統計の背後にある詳細を表示するには、「公平性」を選択し、公平性グラフから特定の時刻を選択します。 別の機能または時間を選択して詳細を確認するには、モニター対象属性、日付、時刻などのフィルターを使用できます。
グラフの解釈
グラフは、以下の情報のビジュアル表示を提供します。
バイアスが検出されている集団 (例えば、18 歳から 23 歳までの範囲の顧客) を確認できます。 グラフは、この集団の予想結果の割合も示しています。
グラフでは、準拠集団の予想結果のパーセンテージが示されます。これは、すべての準拠集団における予想結果の平均です。
グラフでは、バイアスの存在が示されます。 準拠集団の予想結果のパーセンテージに対する集団の予想結果のパーセンテージの比率、およびそれがしきい値を超えているかどうかが示されます。
グラフでは、バイアス識別の分析が行われたペイロード・テーブルのデータにおける属性の個別値ごとの参照値とモニター対象値の分布も表示されます。 公平性属性の個別の値ごとに、ペイロード・データの分布が示されます (参照値も表示されます)。 この情報を使用して、モデルから受け取ったデータ量にバイアスを相関させることができます。
さらに、グラフには、集団のパーセンテージが予想結果とともに示されます。 バイアスのソースはこのグループ内のデータです。このデータにより、結果がゆがみ、参照クラスにおける予想結果のパーセンテージの増加が生じました。 この情報を使用して、モデルをリトレーニングする際にデータのどの部分がサンプル不足となる可能性があるかを特定できます。
その他にグラフに表示される重要事項として、手動によるラベル付けのために識別されたデータが含まれている表の名前があります。 アルゴリズムは、モデルでバイアスを検出する際は常に、 人間による手動のラベル付けのために送信できるデータ・ポイントも特定します。 この手動でラベル付けされるデータを、元の訓練データとともに使用してモデルを再度訓練できます。 このリトレーニングされたモデルには、バイアスがない可能性が高くなります。 手動ラベル付け表は、Watson OpenScale インスタンスに関連付けられたデータベースにあります。
次のステップ
親トピック: Watson OpenScaleによる洞察の取得