TensorFlow

Szczegóły modelu

Przegląd

Jest to szeroki i głęboki model Keras, który ma na celu klasyfikację, czy dana osoba ma dochód przekraczający 50 000 USD, na podstawie różnych cech demograficznych. Model jest szkolony na podstawie zbioru danych dotyczących dochodów ze spisu ludności UCI. To nie jest model produkcyjny, a ten zbiór danych był tradycyjnie używany tylko do celów badawczych. Na tej Karcie Modelu możesz przejrzeć ilościowe elementy wydajności i danych modelu, a także informacje o zamierzonych zastosowaniach, ograniczeniach i względach etycznych modelu.

Wersja

Imię i nazwisko: 2d1bd3b5688079d2da1b20350118dda7

Właściciele

Zespół ds. Modeli, model-cards@google.com

Bibliografia

interaktywne-2021-02-05T22_01_17.129037

Rozważania

Przypadków użycia

Ten zestaw danych, na którym został przeszkolony ten model, został pierwotnie utworzony w celu wspierania społeczności uczenia maszynowego w przeprowadzaniu empirycznej analizy algorytmów ML. Zestaw danych dla dorosłych może być wykorzystywany w badaniach dotyczących uczciwości, które porównują nierówności ze względu na płeć i rasę, w oparciu o roczne dochody ludzi.

Ograniczenia

Jest to zestaw danych niezrównoważony dla klas w różnych wrażliwych klasach. Stosunek męskich do żeńskich przykładów wynosi około 2:1 i jest znacznie więcej przykładów z atrybutem „biały” niż każda inna rasa razem wzięta. Co więcej, stosunek zarobków 50 000 USD lub mniej do osób zarabiających 50 000 USD lub więcej wynosi nieco ponad 3:1. Ze względu na brak równowagi między poziomami dochodów widzimy, że nasza prawdziwie ujemna stopa wydaje się dość wysoka, podczas gdy nasza prawdziwie dodatnia stopa wydaje się dość niska. Odnosi się to w jeszcze większym stopniu, gdy patrzymy tylko na podgrupę „kobiet”, ponieważ w grupie osób zarabiających powyżej 50 000 USD jest jeszcze mniej przykładów kobiet, co powoduje, że nasz model przesadza z tymi przykładami. Aby tego uniknąć, możemy wypróbować różne strategie naprawcze w przyszłych iteracjach (np. podpróbkowanie, dostrajanie hiperparametrów itp.), ale możemy nie być w stanie naprawić wszystkich problemów ze sprawiedliwością.

Względy etyczne

Ryzyko: Ryzykujemy wyrażanie poglądu, że atrybuty w tym zbiorze danych są jedynymi, które pozwalają przewidzieć czyjś dochód, nawet jeśli wiemy, że tak nie jest.
Strategia łagodzenia: Jak wspomniano, niektóre interwencje mogą wymagać wykonania w celu rozwiązania nierównowagi klas w zbiorze danych.

Karta modelu dla klasyfikatora dochodów ze spisu powszechnego