TensorFlow

Dettagli del modello

Panoramica

Questo è un modello Keras ampio e approfondito che mira a classificare se un individuo ha o meno un reddito di oltre $ 50.000 in base a varie caratteristiche demografiche. Il modello è addestrato sul set di dati sul reddito del censimento UCI. Questo non è un modello di produzione e questo set di dati è stato tradizionalmente utilizzato solo per scopi di ricerca. In questa scheda modello è possibile esaminare i componenti quantitativi delle prestazioni e dei dati del modello, nonché informazioni sugli usi previsti, i limiti e le considerazioni etiche del modello.

Versione

nome: 2d1bd3b5688079d2da1b20350118dda7

Proprietari

Model Cards Team, model-cards@google.com

Riferimenti

interattivo-2021-02-05T22_01_17.129037

Considerazioni

Casi d'uso

Questo set di dati su cui è stato addestrato questo modello è stato originariamente creato per supportare la comunità di apprendimento automatico nella conduzione di analisi empiriche degli algoritmi ML. Il set di dati per adulti può essere utilizzato in studi relativi all'equità che confrontano le disuguaglianze tra sesso e razza, in base ai redditi annuali delle persone.

Limitazioni

Questo è un set di dati con squilibri di classe in una varietà di classi sensibili. Il rapporto tra maschi e femmine è di circa 2: 1 e ci sono molti più esempi con l'attributo "bianco" di ogni altra razza combinata. Inoltre, il rapporto tra percettori di $ 50.000 o meno e $ 50.000 o più è di poco superiore a 3: 1. A causa dello squilibrio tra i livelli di reddito, possiamo vedere che il nostro vero tasso negativo sembra piuttosto alto, mentre il nostro vero tasso positivo sembra piuttosto basso. Questo è vero in misura ancora maggiore quando guardiamo solo al sottogruppo "femminile", perché ci sono ancora meno esempi femminili nel gruppo con più di 50.000 dollari, il che fa sì che il nostro modello superi questi esempi. Per evitare ciò, possiamo provare varie strategie di correzione nelle iterazioni future (ad esempio sottocampionamento, ottimizzazione degli iperparametri, ecc.), ma potremmo non essere in grado di risolvere tutti i problemi di equità.

Considerazioni etiche

Rischio: Rischiamo di esprimere il punto di vista secondo cui gli attributi in questo set di dati sono gli unici a prevedere il reddito di qualcuno, anche se sappiamo che non è così.
Strategia di mitigazione: come accennato, potrebbe essere necessario eseguire alcuni interventi per affrontare gli squilibri di classe nel set di dati.

Scheda modello per classificatore reddito censimento