在Adult数据集上识别与检验机器学习偏差
计算机与社会
2023-10-17 v1 机器学习
摘要
本研究深入探讨通过集成学习(Ensemble Learning)降低机器学习模型偏差。我们严谨的方法全面评估了各类分类变量上的偏差，最终揭示出显著的性别属性偏差。经验证据揭示出基于性别的薪资预测差异：当性别属性切换为女性时，男性初始预测的薪资为$902.91，显著下降至$774.31。值得注意的是，Kullback-Leibler散度分数指向性别偏差，其值超过0.13，且主要出现在基于树的模型中。采用集成学习阐明了追求公平与透明的努力。有趣的是，我们的发现表明堆叠模型与个体模型一致，证实了模型偏差的韧性。本研究强调了伦理考量，并倡导在以公正与包容为特征的数据驱动社会中实施混合模型。
引用
@article{arxiv.2310.09373,
title = {Identifying and examining machine learning biases on Adult dataset},
author = {Sahil Girhepuje},
journal= {arXiv preprint arXiv:2310.09373},
year = {2023}
}