À l'aide de SageMaker Clarify, un spécialiste ML a découvert que les données d'entraînement contiennent nettement moins d'exemples pour les clients âgés de 40 à 55 ans que pour les autres tranches d'âge. Quel type de biais de données de pré-entraînement cette observation représente-t-elle ?

L'observation décrit un déséquilibre dans la distribution des données pour une tranche d'âge spécifique, où il y a moins d'exemples que pour d'autres groupes. C'est la définition d'un déséquilibre de classe (Class Imbalance), où certaines catégories ou groupes sont sous-représentés par rapport à d'autres. La "Différence dans les proportions d'étiquettes (DPL)" est une mesure de biais qui compare les proportions d'une étiquette positive entre différents groupes sensibles, pas la distribution des exemples. La "Disparité démographique conditionnelle (CDD)" est une mesure de biais de performance du modèle qui évalue si le taux de faux positifs ou de faux négatifs est le même à travers différents groupes, ce qui n'est pas le cas ici. Le "Test de Kolmogorov–Smirnov (KS)" est une méthode statistique pour comparer des distributions de probabilité, pas un type de biais en soi.