Korzystając z SageMaker Clarify, specjalista ML odkrył, że dane treningowe zawierają zauważalnie mniej przykładów dla klientów w wieku 40–55 lat niż dla innych grup wiekowych. Jaki typ błędu systematycznego (bias) danych przedtreningowych reprezentuje ta obserwacja?

Ta obserwacja reprezentuje błąd systematyczny typu Class Imbalance (CI). CI występuje, gdy jedna lub więcej klas (w tym przypadku grupa wiekowa 40-55 lat) jest niedostatecznie reprezentowana w zbiorze danych treningowych w porównaniu z innymi klasami. Może to prowadzić do tego, że model będzie gorzej działał dla niedostatecznie reprezentowanych grup. Inne opcje są nieprawidłowe: Difference in Proportions of Labels (DPL) mierzy różnicę w proporcjach etykiet między różnymi grupami wrażliwymi, a nie niedobór przykładów dla konkretnej grupy. Conditional Demographic Disparity (CDD) analizuje różnice w przewidywaniach modelu między grupami, biorąc pod uwagę inne zmienne, a nie samą reprezentację danych. Kolmogorov–Smirnov (KS) test to statystyczny test używany do porównywania rozkładów dwóch próbek, a nie nazwa typu błędu systematycznego.