Biais

Définition

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

1. Biais dans les données : Concrètement, cela signifie que les données ne sont pas conformes à la norme sociale établie. Par exemple, un jeu de données contint des biais sexistes ou racistes.
2. Biais de sélection dans le choix des données : altération systématique d'un échantillon statistique causé par une procédure de choix / sélection incorrecte.
3. Biais statistique. Erreur entre la valeur statistique d'un échantillon et la vraie valeur de la population.
4. Biais d'un algorithme d'apprentissage automatique ou biais de modélisation. Le biais désigne l'erreur provenant du choix d'un algorithme ou du modèle d'apprentissage.
5. Poids appelé biais. 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. ou une Erreur systématique

Français

biais

Anglais

bias

Source: Google machine learning glossary

Source : Data Analytics Post