機(jī)器學(xué)習(xí)中的數(shù)據(jù)偏差是一種錯誤，其中數(shù)據(jù)集的某些元素比其他元素具有更大的權(quán)重和或表示。有偏見的數(shù)據(jù)集不能準(zhǔn)確地表示模型的用例，從而導(dǎo)致結(jié)果偏斜，準(zhǔn)確性水平低和分析錯誤。

通常，用于機(jī)器學(xué)習(xí)項(xiàng)目的訓(xùn)練數(shù)據(jù)必須代表現(xiàn)實(shí)世界。這很重要，因?yàn)檫@些數(shù)據(jù)是機(jī)器學(xué)習(xí)如何完成其工作的方式。數(shù)據(jù)偏差可能會發(fā)生在從人類報(bào)告和選擇偏差到算法和解釋偏差的一系列區(qū)域中。

解決機(jī)器學(xué)習(xí)項(xiàng)目中的數(shù)據(jù)偏差意味著首先確定它在哪里。只有在知道存在偏見的地方之后，你才可以采取必要的措施來糾正它，無論是解決數(shù)據(jù)不足還是改善注釋過程的問題。考慮到這一點(diǎn)，請務(wù)必對數(shù)據(jù)的范圍，質(zhì)量和處理保持警惕，以免產(chǎn)生偏差。這不僅影響模型的準(zhǔn)確性，而且還會涉及道德，公平和包容性問題。

下面，我列出了機(jī)器學(xué)習(xí)中最常見的7種數(shù)據(jù)偏見類型，以幫助你分析和了解其發(fā)生的位置以及你可以采取的措施。

數(shù)據(jù)偏差的類型

盡管并不詳盡，但此列表包含了該領(lǐng)域中數(shù)據(jù)偏見的常見示例，以及其發(fā)生位置的示例。

樣本偏差：當(dāng)數(shù)據(jù)集不能反映模型將在其中運(yùn)行的環(huán)境的實(shí)際情況時，就會發(fā)生樣本偏差。這樣的一個例子是某些主要在白人圖像上訓(xùn)練的面部識別系統(tǒng)。這些模型對婦女和不同種族的人的準(zhǔn)確度要低得多。此偏差的另一個名稱是選擇偏差。

排除偏差：排除偏差在數(shù)據(jù)預(yù)處理階段最常見。通常，這是刪除不重要的有價值數(shù)據(jù)的情況。但是，由于某些信息的系統(tǒng)排除，它也可能發(fā)生。例如，假設(shè)你有一個在美國和加拿大的客戶銷售數(shù)據(jù)集。98％的客戶來自美國，因此你選擇刪除不相關(guān)的位置數(shù)據(jù)。但是，這意味著你的模型將不會因?yàn)榧幽么罂蛻舻南M(fèi)增加兩倍多這一事實(shí)而受到影響。

測量偏差：當(dāng)為訓(xùn)練而收集的數(shù)據(jù)與現(xiàn)實(shí)世界中收集的數(shù)據(jù)不同時，或者當(dāng)錯誤的測量結(jié)果導(dǎo)致數(shù)據(jù)失真時，就會發(fā)生這種偏差。這種偏差的一個很好的例子出現(xiàn)在圖像識別數(shù)據(jù)集中，其中訓(xùn)練數(shù)據(jù)是用一種類型的照相機(jī)收集的，而生產(chǎn)數(shù)據(jù)是用另一種照相機(jī)收集的。在項(xiàng)目的數(shù)據(jù)標(biāo)記階段，由于注釋不一致也會導(dǎo)致測量偏差。

召回偏差：這是一種測量偏差，在項(xiàng)目的數(shù)據(jù)標(biāo)記階段很常見。當(dāng)你不一致地標(biāo)記相似類型的數(shù)據(jù)時，就會產(chǎn)生召回偏差。這導(dǎo)致較低的精度。例如，假設(shè)你有一個團(tuán)隊(duì)將電話的圖像標(biāo)記為損壞，部分損壞或未損壞。如果有人將一張圖像標(biāo)記為已損壞，但將相似的圖像標(biāo)記為部分已損壞，則你的數(shù)據(jù)將不一致。

觀察者偏差：也稱為確認(rèn)偏差，觀察者偏差是看到你期望在數(shù)據(jù)中看到或想要看到的結(jié)果的效果。當(dāng)研究人員在有意識或無意識的情況下對自己的研究有主觀想法進(jìn)入項(xiàng)目時，可能會發(fā)生這種情況。當(dāng)標(biāo)簽制作者讓主觀思想控制他們的標(biāo)簽制作習(xí)慣，從而導(dǎo)致數(shù)據(jù)不準(zhǔn)確時，你也可以看到這一點(diǎn)。

種族偏見：盡管不是傳統(tǒng)意義上的數(shù)據(jù)偏見，但由于其在AI技術(shù)中的盛行，因此仍然值得一提。當(dāng)數(shù)據(jù)偏向特定人群時，就會發(fā)生種族偏見。在面部識別和自動語音識別技術(shù)中可以看到這一點(diǎn)，該技術(shù)無法像白種人那樣準(zhǔn)確地識別有色人種。Google的Inclusive Images競賽提供了很好的例子說明了這種情況的發(fā)生。

關(guān)聯(lián)偏差：當(dāng)機(jī)器學(xué)習(xí)模型的數(shù)據(jù)加強(qiáng)和/或乘以文化偏差時，就會發(fā)生這種偏差。你的數(shù)據(jù)集可能包含一組工作，其中所有男性都是醫(yī)生，所有女性都是護(hù)士。這并不意味著女人不能當(dāng)醫(yī)生，男人不能當(dāng)護(hù)士。但是，就你的機(jī)器學(xué)習(xí)模型而言，不存在女醫(yī)生和男護(hù)士。社交偏見最出名的是造成性別偏見，這在“挖掘人工智能”研究中可見。

如何避免機(jī)器學(xué)習(xí)項(xiàng)目中的數(shù)據(jù)偏差？

防止機(jī)器學(xué)習(xí)項(xiàng)目中的數(shù)據(jù)偏差是一個持續(xù)的過程。盡管有時很難知道數(shù)據(jù)或模型何時出現(xiàn)偏差，但是你可以采取許多步驟來幫助防止偏差或及早發(fā)現(xiàn)偏差。盡管遠(yuǎn)非詳盡的清單，但以下要點(diǎn)為思考機(jī)器學(xué)習(xí)項(xiàng)目的數(shù)據(jù)偏差提供了入門級指南。

盡你所能，事先研究用戶。請注意你的一般用例和潛在異常值。

確保你的數(shù)據(jù)科學(xué)家和數(shù)據(jù)標(biāo)簽團(tuán)隊(duì)是多元化的。

盡可能合并來自多個來源的輸入以確保數(shù)據(jù)多樣性。

為數(shù)據(jù)標(biāo)簽創(chuàng)建黃金標(biāo)準(zhǔn)。黃金標(biāo)準(zhǔn)是一組數(shù)據(jù)，可以反映任務(wù)的理想標(biāo)記數(shù)據(jù)。它使你能夠測量團(tuán)隊(duì)的注釋的準(zhǔn)確性。

為數(shù)據(jù)標(biāo)簽期望制定明確的準(zhǔn)則，以便數(shù)據(jù)標(biāo)簽保持一致。

對于可能會出現(xiàn)數(shù)據(jù)準(zhǔn)確性偏差的任何項(xiàng)目，請使用多次通過注釋。例如，情感分析，內(nèi)容審核和意圖識別。

尋求具有領(lǐng)域?qū)I(yè)知識的人員的幫助，以查看你收集和/或注釋的數(shù)據(jù)。團(tuán)隊(duì)外部的人可能會看到團(tuán)隊(duì)忽略的偏見。

定期分析你的數(shù)據(jù)。跟蹤錯誤和問題區(qū)域，以便您快速響應(yīng)并解決它們。在決定刪除或保留它們之前，請仔細(xì)分析數(shù)據(jù)點(diǎn)。

使偏差測試成為開發(fā)周期的一部分。Google，IBM和Microsoft都發(fā)布了工具和指南，以幫助分析許多不同數(shù)據(jù)類型的偏差。

如果你想更深入地了解偏見的產(chǎn)生方式，偏見對機(jī)器學(xué)習(xí)模型的影響以及過去在自動化技術(shù)中的偏見，我建議你參考瑪格麗特·米切爾（Margaret Mitchell）的“人工智能的視野和語言偏見”演示。

鏈接：https://web.stanford.edu/class/archive/cs/cs224n/cs224n.1194/slides/cs224n-2019-lecture19-bias.pdf?ref=hackernoon.com

總結(jié)

請務(wù)必注意任何數(shù)據(jù)項(xiàng)目在機(jī)器學(xué)習(xí)中的潛在偏見。通過盡早安裝正確的系統(tǒng)并保持?jǐn)?shù)據(jù)收集，標(biāo)記和實(shí)施的最頂層，你可以在出現(xiàn)問題之前就注意到它，或者在出現(xiàn)問題時對其進(jìn)行響應(yīng)。

責(zé)任編輯：xj

原文標(biāo)題：機(jī)器學(xué)習(xí)中的7種數(shù)據(jù)偏見

文章出處：【微信公眾號：Imagination Tech】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。