Erkennen Sie Daten nach dem Training und Modellverzerrungen mit SageMaker Klären - Amazon SageMaker

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Erkennen Sie Daten nach dem Training und Modellverzerrungen mit SageMaker Klären

Die Analyse der Verzerrungen nach dem Training kann dazu beitragen, Vorurteile aufzudecken, die möglicherweise auf Verzerrungen in den Daten oder auf Verzerrungen zurückzuführen sind, die durch die Klassifizierungs- und Diese Analysen berücksichtigen die Daten, einschließlich der Beschriftungen, und die Vorhersagen eines Modells. Sie bewerten die Leistung, indem Sie vorhergesagte Labels analysieren oder die Vorhersagen mit den beobachteten Zielwerten in den Daten in Bezug auf Gruppen mit unterschiedlichen Attributen vergleichen. Es gibt verschiedene Vorstellungen von Fairness, für deren Messung jeweils unterschiedliche Bias-Metriken erforderlich sind.

Es gibt rechtliche Konzepte der Fairness, die möglicherweise nicht einfach zu erfassen sind, da sie schwer zu erkennen sind. Zum Beispiel das US-Konzept der unterschiedlichen Auswirkungen, das auftritt, wenn eine Gruppe, die als benachteiligte Facette bezeichnet wirdd, wirkt sich negativ aus, auch wenn der gewählte Ansatz fair erscheint. Diese Art von Verzerrung ist möglicherweise nicht auf ein Modell des maschinellen Lernens zurückzuführen, kann aber dennoch durch eine Bias-Analyse nach dem Training festgestellt werden.

Amazon SageMaker Clarify versucht, eine konsistente Verwendung der Terminologie sicherzustellen. Eine Liste der Begriffe und ihrer Definitionen finden Sie unterAmazon SageMaker Verdeutlichen Sie die Begriffe für Bias und Fairness.

Weitere Informationen zu Bias-Metriken nach dem Training finden Sie unterFairness-Maßnahmen für Machine Learning im Finanzwesen.

Beispiel-Notebooks

Amazon SageMaker Clarify bietet das folgende Beispiel-Notizbuch für die Erkennung von Vorurteilen nach

  • Amazon SageMaker Verarbeitungsverdeutlichen— Verwendung von SageMaker Klären Sie, um einen Verarbeitungsauftrag für die Erkennung von Verzerrungen und die Erläuterung von Modellvorhersagen mit Feature- Beispiele hierfür sind die Verwendung der Datenformate CSV und JSON Lines, das Mitbringen eines eigenen Containers und das Ausführen von Verarbeitungsaufträgen mit

Dieses Notizbuch wurde für die Ausführung in Amazon verifiziert SageMaker Nur Studio. Wenn Sie Anweisungen zum Öffnen eines Notebooks in Amazon benötigen SageMaker Studio, sieheErstellen oder öffnen Sie ein Amazon SageMaker Studio Notebook. Wenn Sie aufgefordert werden, einen Kernel auszuwählen, wählen SiePython 3 (Datenwissenschaft).