TensorFlow

Detalhes do modelo

Visão geral

Este é um modelo Keras amplo e profundo que visa classificar se um indivíduo tem ou não uma renda de mais de US $ 50.000 com base em várias características demográficas. O modelo é treinado no UCI Census Income Dataset. Este não é um modelo de produção e este conjunto de dados tem sido tradicionalmente usado apenas para fins de pesquisa. Neste Cartão de Modelo, você pode revisar os componentes quantitativos do desempenho e os dados do modelo, bem como informações sobre os usos pretendidos do modelo, limitações e considerações éticas.

Versão

nome: 2d1bd3b5688079d2da1b20350118dda7

os Proprietários

Equipe de cartões de modelo, model-cards@google.com

Referências

interativo-2021-02-05T22_01_17.129037

Considerações

Casos de Uso

Este conjunto de dados no qual este modelo foi treinado foi originalmente criado para apoiar a comunidade de aprendizado de máquina na realização de análises empíricas de algoritmos de ML. O conjunto de dados para adultos pode ser usado em estudos relacionados à justiça que comparam as desigualdades entre sexo e raça, com base na renda anual das pessoas.

Limitações

Este é um conjunto de dados desequilibrado de classe em uma variedade de classes confidenciais. A proporção de exemplos de homens para mulheres é de cerca de 2: 1 e há muito mais exemplos com o atributo “branco” do que todas as outras raças combinadas. Além disso, a proporção de $ 50.000 ou menos ganhadores para $ 50.000 ou mais ganhadores é pouco mais de 3: 1. Devido ao desequilíbrio entre os níveis de renda, podemos ver que nossa verdadeira taxa negativa parece bastante alta, enquanto nossa verdadeira taxa positiva parece bastante baixa. Isso é verdade em um grau ainda maior quando olhamos apenas para o subgrupo "feminino", porque há ainda menos exemplos femininos no grupo de ganhadores de $ 50.000 +, fazendo com que nosso modelo supere esses exemplos. Para evitar isso, podemos tentar várias estratégias de correção em iterações futuras (por exemplo, subamostragem, ajuste de hiperparâmetros etc.), mas podemos não ser capazes de corrigir todos os problemas de justiça.

Considerações éticas

Risco: corremos o risco de expressar o ponto de vista de que os atributos neste conjunto de dados são os únicos que são preditivos da renda de alguém, embora saibamos que não é o caso.
Estratégia de mitigação: conforme mencionado, algumas intervenções podem precisar ser realizadas para resolver os desequilíbrios de classe no conjunto de dados.

Cartão modelo para classificador de renda do censo