FairScore dönüştürücüsü

FairScore dönüştürücülerini işleme sonrası önyargı azaltma tekniği olarak kullanabilirsiniz. Bu teknik, olasılık tahminlerini veya olasılıksal ikili sınıflandırma modellerinin adil hedefler doğrultusunda puanlarını dönüştürür. Watson OpenScale' de FairScore Transformer 'ı kullanmak için bir Adil puan dönüştürücüsü eğitmeniz gerekir.

Bireysel adaleti art işlemci

Bireysel eşitlik sonrası işlemci, bireysel adaleti sağlamak için bireysel puanları dönüştüren bir işlem sonrası transformatör algoritmasıdır. Bunu, çok sınıflı metin sınıflandırmasını desteklemek için Python SDK ile kullanabilirsiniz. Model çıkışlarını dönüştürmek için bu algoritmayı kullanmadan önce eğitmeniz gerekir.

Giriş azaltma

Model öngörülerini tutarlı tutmak için belirtmeniz gereken minimum özellik kümesini hesaplamak için giriş azaltma algoritmasını kullanabilirsiniz. Algoritma, model öngörülerini etkilemeyen özellikleri dışlar.

Olasılık ödemesi

Olasılık tazminatı (LC), kara kutu modelinin temel gerçeklikten tahmin edilmesinin sapmalarını açıklamak için bir çerçevedir. Test verileri ve bir kara kutu modelinin tahmin işleviyle LC, test verilerindeki anormallikleri belirleyebilir ve örneğin anormalliğe neden olduğunu açıklayabilir. LC açıklaması, orijinal test verilerine veya anormalliğe eklendiğinde modelin tahminini temel gerçekle birleştiren deltalar olarak sağlanır. LC, yerel açıklamalar sağlar ve yalnızca regresyon modelleri için desteklenir.

Tek tek eşitsizliğin ortalama

Modelinizin benzer örnekler için benzer tahminler ya da puanlar oluşturup oluşturmadığını doğrulamak için ortalama bireysel eşitsizliği kullanabilirsiniz. Bu metrik, benzer örnekler için çok sınıflı sınıflandırma modellerinin olasılık tahminlerindeki farkı hesaplar.

Çok boyutlu altküme taraması

Çok boyutlu altküme tarama algoritmasını genel sapma tarama yöntemi olarak kullanabilirsiniz. Bu yöntem, olasılıksal bir ikili sınıflandırıcı için hangi özellik alt gruplarının istatistiksel olarak önemli önyargıya sahip olduğunu saptar ve tanımlar. Bu algoritma, hangi özelliklerin korunan öznitelikler olduğuna ve bu özelliklerin hangi değerlerinin izleme değerlendirmeleri için ayrıcalıklı grup olduğuna karar vermenize yardımcı olur.

Performans ölçümleri

Örnek verilerden temel doğruluk verileri ve model tahminleri kullanılarak hesaplanan bir karışıklık matrisi ile modelleri değerlendirmek için aşağıdaki performans ölçümü metriklerini kullanabilirsiniz:

• ortalama_odds_fark
• ortalama_abs_odds_difference
• hata_rate_fark
• hata_rate_oranı
• false_negative_rate_difference
• false_negative_rate_ratio
• false_positive_rate_difference
• false_positive_rate_ratio
• false_discovery_rate_difference
• false_discovery_rate_ratio
• false_omission_rate_difference
• false_omission_rate_ratio

Korunan öznitelikleri çıkarma

Korunan öznitelik alma algoritması, metin veri kümelerini yapılandırılmış veri kümelerine dönüştürür. Algoritma, metin verilerini bölümler, verileri belirttiğiniz kalıplarla karşılaştırır ve yapılandırılmış veri oluşturmak için metinden korunan özniteliği çıkarır. Bir Watson OpenScale önyargı algılama algoritmasıyla korunan özniteliğe karşı önyargıyı saptamak için bu yapılandırılmış verileri kullanabilirsiniz. Korunan öznitelik alma algoritması korunan öznitelik olarak yalnızca cinsiyeti destekler.

Korumalı öznitelik pertürbasyonu

Korunan öznitelik perturbation algoritması, metin veri kümelerinde korunan öznitelik kalıplarını belirleyerek karşı olgusal deyimler oluşturur. Ayrıca, metni simgeleştirir ve deyimler oluşturmak için metin verilerindeki anahtar sözcükleri terler. Watson OpenScale yöneltme algılama algoritmasıyla koruma özniteliğine karşı önyargıyı saptamak için özgün ve perturbed veri kümelerini kullanabilirsiniz. Korunan öznitelik perturbation algoritması yalnızca korunan bir öznitelik olarak cinsiyeti destekler.

Protodash açıklayıcı

Protodash açıklayıcı, açıklamalar gereken bir referans kümesinden giriş verilerini tanımlar. Bu yöntem, başvuru veri noktaları ile eğitim verilerinden seçilen bir dizi eşgörünüm arasındaki ortalama uyumsuzluk (MMD) üst sınırını en aza indirir. Model öngörülerinizi daha iyi anlamanıza yardımcı olmak için eğitim verileri örnekleri, referans veri noktaları olarak benzer bir dağıtımı taklit eder.

Shapley Additive açıklayıcı (SHAP)

SHAP, makine öğrenimi modellerinin çıktısını açıklayan bir oyun kuramsal yaklaşımdır. Shapley değerlerini ve ilgili uzantılarını kullanarak yerel açıklamalarla optimum kredi tahsisini birbirine bağlar.

SHAP, her bir model için Şekil değeriolarak adlandırılan belirli bir öngörü için önem değeri atar. Shape değeri, bir özellik değerinin tüm olası özellik gruplarında ortalama marjinal katkısıdır. Giriş özelliklerinin SHAP değerleri, temel çizgi ya da beklenen model çıkışı ile açıklanmakta olan öngörü için geçerli model çıkışı arasındaki farkın toplamasıdır. Temel çizgi modeli çıkışı, eğitim verilerinin özetine ya da açıklamalar oluşturulması gereken herhangi bir veri alt kümesine dayalı olabilir.

Bir işlem kümesinin Shapley değerleri, bir modelin hangi özelliklerinin en önemli olduğuna ilişkin genel bir bakış sağlayan genel açıklamalar elde etmek için birleştirilebilir.

Düzleştirilmiş ampirik diferansiyel (SED)

SED, model öngörülerinize ilişkin adaleti tanımlamak için kullanabileceğiniz adalet metriğidir. SED, özelliklere bölünen kesişen gruplar arasındaki olumlu ve olumsuz sonuçların olasılığını ölçer. Tüm kesişen gruplar eşittir, bu nedenle ayrıcalıksız veya ayrıcalıklı gruplar yoktur. Bu hesaplama, veri kümesindeki kesişen gruplar arasında olumlu ve olumsuz sonuçlar için Dirichlet düzleştirilmiş olasılığının minimum oranı olan bir SED değeri üretir. Değer, 0 ve 1 hariç, 0-1 aralığındadır ve daha büyük bir değer daha iyi bir sonucu belirtir.

İstatistiksel eşlik farkı

İstatistiksel eşlik farkı, model öngörülerinize ilişkin adaleti tanımlamak için kullanabileceğiniz bir adalet metriğidir. Ayrıcalıklı olmayan ve ayrıcalıklı gruplarda olumlu sonuçların oranı arasındaki farktır. Bu ölçüm, giriş veri kümesinden ya da bir sınıflandırıcıdan ya da öngörülen veri kümesinden veri kümesinin çıkışından hesaplanabilir. 0 değeri, her iki grubun da eşit yarar görecekleri anlamına gelir. 0 'dan küçük bir değer, ayrıcalıklı grup için daha yüksek bir avantaj anlamına gelir. 0 'dan büyük bir değer, ayrıcalıksız grup için daha yüksek bir avantaj anlamına gelir.

Bu metrikleri ve algoritmaları Watson OpenScale Python SDK sürümü 3.0.14 ya da üstü ile hesaplayabilirsiniz. Daha fazla bilgi için Watson OpenScale Python SDK belgelerinebakın.

Ayrıca, adillik metriklerini ve açıklanabilirliğihesaplamak için örnek not defterlerini de kullanabilirsiniz.

Üst konu: API 'ler, SDK ' lar ve eğitmenler