TensorFlow

Детали модели

Обзор

Это широкая и глубокая модель Кераса, которая направлена на определение того, имеет ли человек доход более 50 000 долларов США на основе различных демографических характеристик. Модель обучается на наборе данных о доходах переписи UCI. Это не производственная модель, и этот набор данных традиционно использовался только в исследовательских целях. В этой карточке модели вы можете просмотреть количественные компоненты производительности и данные модели, а также информацию о предполагаемом использовании модели, ограничениях и этических соображениях.

Версия

имя: 2d1bd3b5688079d2da1b20350118dda7

Владельцы

Команда Model Cards, model-cards@google.com

использованная литература

интерактивный-2021-02-05T22_01_17.129037

Соображения

Случаи применения

Этот набор данных, на котором была обучена эта модель, изначально был создан для поддержки сообщества машинного обучения в проведении эмпирического анализа алгоритмов машинного обучения. Набор данных для взрослых можно использовать в исследованиях, связанных с справедливостью, которые сравнивают неравенство по признаку пола и расы на основе годового дохода людей.

Ограничения

Это несбалансированный по классам набор данных по множеству уязвимых классов. Соотношение мужчин и женщин составляет примерно 2: 1, и существует гораздо больше примеров с атрибутом «белый», чем у представителей любой другой расы вместе взятых. Кроме того, соотношение заработков 50 000 долларов или меньше к получателям 50 000 или более составляет чуть более 3: 1. Из-за дисбаланса между уровнями доходов мы можем видеть, что наша истинная отрицательная ставка кажется довольно высокой, а истинная положительная - довольно низкой. Это в еще большей степени верно, когда мы смотрим только на «женскую» подгруппу, потому что в группе с доходом более 50 000 долларов женщин еще меньше, что приводит к тому, что наша модель переоснащается этими примерами. Чтобы избежать этого, мы можем попробовать различные стратегии исправления в будущих итерациях (например, недостаточная выборка, настройка гиперпараметров и т. Д.), Но мы не сможем исправить все проблемы со справедливостью.

Этические соображения

Риск: мы рискуем выразить точку зрения, что атрибуты в этом наборе данных - единственные, которые позволяют прогнозировать чей-то доход, даже если мы знаем, что это не так.
Стратегия смягчения последствий: как уже упоминалось, может потребоваться выполнение некоторых вмешательств для устранения дисбаланса классов в наборе данных.

Образец карточки классификатора доходов переписи