« Biais » : différence entre les versions

Dernière version du 30 août 2024 à 14:05

Définition

Il existe au moins cinq usages distincts du mot biais en intelligence artificielle. En ordre, du plus général au plus spécifique :

Biais dans les données : Concrètement, cela signifie que les données ne sont pas conformes à la distribution statistique des données dans le phénomène étudié. Sur le plan éthique, un biais dans les données est observé lorsque les données ne sont pas conformes à la norme sociale établie. Par exemple, un jeu de données peut renfermer des biais sexistes ou racistes.
Biais de sélection dans le choix des données : altération systématique d’un échantillon statistique causée par une procédure de choix / sélection incorrecte. Par exemple, les répondants à un sondage en ligne regroupent typiquement des personnes mieux équipées en technologie. Les aînés, les personnes en région éloignée, les minorités visibles et les personnes à faibles revenus ont tendance à y être sous-représentés.
Biais statistique. Erreur entre la valeur statistique d’un échantillon et la vraie valeur de la population. En effet, un échantillon est plus ou moins représentatif de la population en fonction de sa taille et de la technique d’échantillonnage.
Biais d’un algorithme d’apprentissage automatique ou biais de modélisation. Le biais désigne l’erreur provenant du choix d’un algorithme ou d’un modèle d’apprentissage.
Poids ou paramètre appelé biais. Un poids est ajouté à l’entrée d’un classificateur, par exemple à un neurone, pour ajouter un degré de liberté.

Compléments

Le biais est une des deux erreurs utilisée pour définir la qualité d’un algorithme d’apprentissage (l’autre étant la variance).

Les algorithmes d’apprentissage tentent d’approcher la relation exacte entre des variables d’entrée et de sortie d’un problème. Le modèle utilisé par l’algorithme est plus simple que le problème que l’on cherche à apprendre, il ne permet donc pas de rendre compte de toute sa complexité. On qualifie cette erreur faite dans les hypothèses du modèle de « biais ». On définit aussi parfois le biais comme la distance» entre le meilleur modèle pouvant être appris par l’algorithme et le vrai modèle.

Voir aussi biais de prédiction. ou une erreur systématique

Français

biais

Anglais

bias

Sources

Source: Google machine learning glossary

Source : Data Analytics Post

101 MOTS DE L' IA
Ce terme est sélectionné pour le livre « Les 101 mots de l'intelligence artificielle »

@@ Ligne 1 : / Ligne 1 : @@
 ==Définition==
+Il existe au moins cinq usages distincts du mot biais en intelligence artificielle. En ordre, du plus général au plus spécifique :
+# Biais dans les données : Concrètement, cela signifie que les données ne sont pas conformes à la distribution statistique des données dans le phénomène étudié. Sur le plan éthique, un biais dans les données est observé lorsque les données ne sont pas conformes à la norme sociale établie. Par exemple, un jeu de données peut renfermer des biais sexistes ou racistes.
+# Biais de sélection dans le choix des données : altération systématique d’un échantillon statistique causée par une procédure de choix / sélection incorrecte. Par exemple, les répondants à un sondage en ligne regroupent typiquement des personnes mieux équipées en technologie. Les aînés, les personnes en région éloignée, les minorités visibles et les personnes à faibles revenus ont tendance à y être sous-représentés.
+# Biais statistique. Erreur entre la valeur statistique d’un échantillon et la vraie valeur de la population. En effet, un échantillon est plus ou moins représentatif de la population en fonction de sa taille et de la technique d’échantillonnage.
+# Biais d’un algorithme d’apprentissage automatique ou biais de modélisation. Le biais désigne l’erreur provenant du choix d’un algorithme ou d’un modèle d’apprentissage.
+# Poids ou paramètre appelé biais. Un poids est ajouté à l’entrée d’un classificateur, par exemple à un neurone, pour ajouter un degré de liberté.
+==Compléments==
 Le biais est une des deux erreurs utilisée pour définir la qualité d’un algorithme d’apprentissage (l’autre étant la variance).
-Les algorithmes d’apprentissage tentent d’approcher la relation exacte entre des variables d’entrée et de sortie d’un problème. Le modèle utilisé par l’algorithme est plus simple que le problème que l’on cherche à apprendre, il ne permet donc pas de rendre compte de toute sa complexité. On qualifie cette erreur faite dans les hypothèses du modèle de « biais ». On définit aussi parfois le biais comme la distance» entre le meilleur modèle pouvant être appris par l’algorithme et le vrai modèle. À ne pas confondre avec le '''[[biais de prédiction]].'''
+Les algorithmes d’apprentissage tentent d’approcher la relation exacte entre des variables d’entrée et de sortie d’un problème. Le modèle utilisé par l’algorithme est plus simple que le problème que l’on cherche à apprendre, il ne permet donc pas de rendre compte de toute sa complexité. On qualifie cette erreur faite dans les hypothèses du modèle de « biais ». On définit aussi parfois le biais comme la distance» entre le meilleur modèle pouvant être appris par l’algorithme et le vrai modèle.
+Voir aussi '''[[biais de prédiction]].'''  ou une '''[[erreur systématique]]'''
 ==Français==
@@ Ligne 10 : / Ligne 23 : @@
 '''  bias '''
+==Sources==
-<small>
 [https://developers.google.com/machine-learning/glossary/ Source: Google machine learning glossary]
 [https://dataanalyticspost.com/Lexique/biais/ Source : Data Analytics Post]
+</small><br> {{Modèle:101}}<br>
+{{Modèle:GDT}}
 [[Catégorie:GDT]]
 [[Catégorie:GRAND LEXIQUE FRANÇAIS]]
-[[Catégorie:Apprentissage profond]]
+[[Catégorie:101]]

« Biais » : différence entre les versions