Bias, makine öğreniminde bir modelin sistematik olarak yanlış tahminler yapma eğilimidir. İstatiksel bias, modelin gerçek ilişkiyi yakalayamamasından kaynaklanır.
High bias, modelin verideki önemli örüntüleri kaçırmasına neden olur ve bu durum underfitting olarak da bilinir.
Bias-Variance Tradeoff
Makine öğreniminde iki temel hata kaynağı vardır:
Bias: Tahminlerin gerçek değerden sistematik sapması
Variance: Tahminlerin bir veriden diğerine olan değişkenliği
İdeal bir model, hem düşük bias hem de düşük variance'a sahip olmalıdır. Ancak pratikte bu dengeyi sağlamak zordur.
Bias Türleri
Selection Bias: Eğitim verisinin yanlış seçilmesi
Measurement Bias: Özelliklerin yanlış ölçülmesi
Algorithmic Bias: Algoritmanın kendisinden kaynaklanan yanlılık
Confirmation Bias: Mevcut inançları doğrulayan verileri tercih etme
Önyargıyı Azaltma Yöntemleri
Daha Karmaşık Model: Underfitting'i azaltır
Özellik Mühendisliği: Daha iyi girdiler oluşturma
Veri Çeşitlendirme: Farklı kaynaklardan veri toplama
Regularizasyon: Aşırı öğrenmeyi kontrol etme
Etik Boyut
AI sistemlerinde bias önemli etik sorunlara yol açabilir:
Tahminlerin belirli gruplar aleyhine olması
Karar süreçlerinde adaletsizlik
Stereotiplerin güçlendirilmesi
Bu nedenle, model değerlendirmesinde sadece genel metrikler değil, alt grup performansları da incelenmelidir.
Bias
Karar verme süreçlerinde adaletsiz sonuçlara yol açan sistematik bir hata. Yapay zekada, veri toplama, algoritma tasarımı ve insan yorumlamasından kaynaklanabilir ve ayrımcı sonuçlara yol açabilir.
Yapay Zeka