一家大型零售銀行希望建立一個機器學習系統，以指導不同人口群體的貸款分配決策。需要採取什麼行動來幫助確保模型是無偏的？

正確答案是評估訓練資料中的類別不平衡，並相應調整訓練過程。這是因為資料偏見，特別是類別不平衡，是導致機器學習模型產生不公平或有偏見預測的主要原因之一。如果某些人口群體的代表性不足，模型可能無法準確學習這些群體的模式，導致貸款分配決策存在偏見。透過評估和調整訓練過程以解決類別不平衡，可以幫助確保模型對所有人口群體做出更公平和無偏見的預測。減少訓練資料集的大小可能會導致模型泛化能力差，並不能解決偏見問題。強制模型的預測與歷史決策相符可能會延續歷史偏見。為每個人口群體建立單獨的模型可能很複雜且難以維護，並且如果單獨的資料集本身存在偏見，仍然無法保證公平性。