文件名称：Jigsaw-Unintended-Bias-in-Toxicity-Classification-solution
文件大小：484KB
文件格式：ZIP
更新时间：2024-05-01 06:00:12
JupyterNotebook
1.业务问题： 目的是检测有毒评论并减少模型的意外偏见。 问题描述 对话AI团队（由Jigsaw和Google发起的研究）建立了毒性模型，他们发现该模型错误地学会了将频繁攻击的身份名称与毒性相关联。 因此，该模型预测，对于那些包含同性恋，黑人，*，白人，女同性恋等词语的评论，即使评论实际上没有毒性（例如，我是男同性恋者），其毒性也很高。 发生这种情况的原因是，数据集是从被认为具有高度冒犯性的单词（或身份）来源中收集的。 需要建立一个模型，该模型可以在评论中找到毒性，并最大程度地减少某些身份方面的意外偏见。 有毒的评论是冒犯性的评论，有时使某些人离开讨论（在公共论坛上）。 意外偏差与计划外偏差有关，因为数据是从此类来源收集的，这些来源认为某些单词（或身份）非常令人反感，因此发生了计划外偏差。 背景资料 当Conversation AI团队首次建立毒性模型时，他们发现该模型错误地
【文件预览】：
Jigsaw-Unintended-Bias-in-Toxicity-Classification-solution-master
----.gitignore(2KB)
----README.md(2KB)
----Jigsaw Unintended Bias in Toxicity Classification solution.ipynb(720KB)