Usando SageMaker Clarify, un especialista en ML descubrió que los datos de entrenamiento tienen notablemente menos ejemplos para clientes de 40 a 55 años que para otros grupos de edad. ¿Qué tipo de sesgo de datos de preentrenamiento representa esta observación?

La observación de que los datos de entrenamiento tienen notablemente menos ejemplos para un grupo de edad específico (40-55 años) que para otros grupos de edad es un ejemplo clásico de desequilibrio de clases (CI). Esto ocurre cuando una o más clases (en este caso, el grupo de edad) están subrepresentadas en el conjunto de datos en comparación con otras. La Diferencia en las Proporciones de Etiquetas (DPL) se refiere a la disparidad en la proporción de la etiqueta positiva entre diferentes grupos. La Disparidad Demográfica Condicional (CDD) es una métrica de sesgo de post-entrenamiento que evalúa la disparidad en las tasas de predicción positiva condicionada a atributos sensibles. La prueba de Kolmogorov-Smirnov (KS) es una prueba estadística para comparar distribuciones, no un tipo de sesgo.