Uno scienziato dei dati vuole valutare il bias di pre-training nelle distribuzioni degli importi dei prestiti rispetto a variabili categoriche (come il tipo di prestito e la regione). Quali metriche di bias di pre-training dovrebbero essere utilizzate per confrontare le distribuzioni? (Scegliere tre.)

Per valutare il bias di pre-training nelle distribuzioni degli importi dei prestiti rispetto a variabili categoriche, è fondamentale misurare la differenza tra le distribuzioni. La Jensen-Shannon divergence, la Kullback-Leibler (KL) divergence e la Total Variation Distance (TVD) sono metriche ideali per questo scopo. La Jensen-Shannon divergence è una versione simmetrica e levigata della KL divergence, utile per confrontare due distribuzioni di probabilità e quantificare la loro somiglianza. La Kullback-Leibler divergence misura quanto una distribuzione di probabilità sia diversa da una seconda distribuzione di riferimento, indicando l'inefficienza nell'assumere che la distribuzione di riferimento sia quella vera. La Total Variation Distance è una metrica che quantifica la massima differenza possibile tra le probabilità assegnate da due distribuzioni allo stesso evento, fornendo una misura intuitiva della loro distanza. Le opzioni "Class imbalance" e "Conditional demographic disparity" sono metriche di bias post-training o relative a etichette, non adatte per confrontare direttamente le distribuzioni di variabili continue come gli importi dei prestiti. "Difference in label proportions" è anch'essa una metrica per bias sulle etichette, non per distribuzioni continue.