DifícilOpción múltiple

Pregunta de práctica de AIF-C01

Exhibit

{
  "pre_training_bias_metrics": {
    "dpl": {
      "value": 0.15,
      "threshold": 0.1
    },
    "class_imbalance": {
      "value": 0.3,
      "threshold": 0.5
    },
    "label_imbalance": {
      "value": 0.4,
      "threshold": 0.6
    }
  }
}

Consulte la exposición. Un científico de datos ejecuta SageMaker Clarify en un conjunto de datos de entrenamiento y recibe la salida JSON anterior. ¿Qué métrica de sesgo supera su umbral?

Elige la mejor respuesta.

Respuesta correcta

  • ADPL

Explicación

La salida JSON muestra DPL (Demographic Parity Difference) = 0.15, lo que supera el umbral comúnmente utilizado de 0.10. DPL mide la diferencia en la probabilidad de un resultado favorable entre grupos aventajados y desaventajados; un valor superior a 0.10 indica un sesgo significativo. Las otras métricas (Label Imbalance = 0.05, Class Imbalance = 0.02) están por debajo de sus respectivos umbrales, por lo que solo DPL desencadena la violación.

Por qué cada opción es correcta o incorrecta

A

Correcta

DPL

En los informes de sesgo de SageMaker Clarify, que la métrica Difference in Positive Proportions in Labels (DPL) supere su umbral configurado señala la mayor disparidad entre facetas. Dicha brecha identifica a DPL como la métrica que incumple su límite aceptable.

B

Incorrecta

Label Imbalance

El valor de desequilibrio de etiquetas de 0.4 está por debajo del umbral de 0.6.

C

Incorrecta

Class Imbalance

El valor de desequilibrio de clases de 0.3 está por debajo del umbral de 0.5.

D

Incorrecta

Todas las métricas superan los umbrales

Solo DPL supera el límite; el desequilibrio de clases y etiquetas está dentro de los límites.

Para profundizar

DPL se calcula como P(Y=1|A=aventajado) - P(Y=1|A=desaventajado), donde Y es el resultado favorable. SageMaker Clarify utiliza un umbral predeterminado de 0.10 para DPL, pero esto se puede ajustar según los requisitos del dominio. En la práctica, incluso un DPL pequeño puede indicar un sesgo sistemático en las predicciones del modelo, especialmente cuando el conjunto de datos tiene atributos sensibles como raza o género, y superar el umbral genera la necesidad de técnicas de mitigación de sesgos como la reponderación o la desvinculación adversarial.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AIF-C01 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.