TensorFlow

Détails du modèle

Aperçu

Il s'agit d'un modèle Keras large et profond qui vise à déterminer si un individu a ou non un revenu supérieur à 50 000 $ en fonction de diverses caractéristiques démographiques. Le modèle est formé sur l'ensemble de données sur les revenus du recensement de l'UCI. Il ne s'agit pas d'un modèle de production et cet ensemble de données n'a traditionnellement été utilisé qu'à des fins de recherche. Dans cette fiche modèle, vous pouvez passer en revue les composants quantitatifs des performances et des données du modèle, ainsi que des informations sur les utilisations prévues, les limites et les considérations éthiques du modèle.

Version

nom : 2d1bd3b5688079d2da1b20350118dda7

Les propriétaires

Équipe des cartes modèles, model-cards@google.com

Les références

interactif-2021-02-05T22_01_17.129037

Considérations

Cas d'utilisation

Cet ensemble de données sur lequel ce modèle a été formé a été créé à l'origine pour aider la communauté de l'apprentissage automatique à mener une analyse empirique des algorithmes de ML. L'ensemble de données sur les adultes peut être utilisé dans des études liées à l'équité qui comparent les inégalités selon le sexe et la race, sur la base des revenus annuels des personnes.

Limites

Il s'agit d'un ensemble de données de classe déséquilibrée sur une variété de classes sensibles. Le rapport hommes/femmes est d'environ 2 : 1 et il y a beaucoup plus d'exemples avec l'attribut « blanc » que toutes les autres races combinées. De plus, le ratio de 50 000 $ ou moins à 50 000 $ ou plus est légèrement supérieur à 3:1. En raison du déséquilibre entre les niveaux de revenu, nous pouvons voir que notre vrai taux négatif semble assez élevé, tandis que notre vrai taux positif semble assez faible. Cela est encore plus vrai lorsque nous ne regardons que le sous-groupe « femmes », car il y a encore moins d'exemples de femmes dans le groupe des revenus de 50 000 $ et plus, ce qui fait que notre modèle surdimensionne ces exemples. Pour éviter cela, nous pouvons essayer diverses stratégies de correction dans les itérations futures (par exemple, sous-échantillonnage, réglage des hyperparamètres, etc.), mais nous ne pourrons peut-être pas résoudre tous les problèmes d'équité.

Considérations éthiques

Risque : Nous risquons d'exprimer le point de vue selon lequel les attributs de cet ensemble de données sont les seuls à prédire le revenu d'une personne, même si nous savons que ce n'est pas le cas.
Stratégie d'atténuation : comme mentionné, certaines interventions peuvent être nécessaires pour remédier aux déséquilibres de classe dans l'ensemble de données.

Modèle de carte pour le classificateur de revenu du recensement