在许多 ML 问题中，我们收集数据并使用收集的数据训练模型。以推荐为例，收集的数据可能由于各种原因而存在偏差：
呈现偏差。例如，在网页上可能有分页；对于移动设备，可能需要向下滚动才能看到几个项目之外的项目。
来自现有推荐系统的偏差：通常数据是在正在运行的生产推荐系统上收集的，这会引入偏差。例如，由于个性化，男性消费者可能很少有机会看到女性产品等。
训练模型时有什么方法来处理这个问题？
如何处理机器模型训练中的数据收集偏差
数据挖掘
机器学习
预测建模
数据清理
推荐系统
2022-02-24 18:44:15
1个回答
在大数据的世界中，数据已经存在，目前有足够多的 ML 模型，但不断有改进和应用，主要原因是如何从原始数据中定义特征。
在您的情况下，引入一个新功能作为数据中存在的偏差的惩罚。例如。在呈现偏差中，对最靠前的项目给予高惩罚，对更靠后的项目给予低惩罚。同样，当大多数产品是男性产品时，为男性产品引入重量较小的重量特征，反之亦然。
机器学习仍然需要以特征形式的人类直觉；-)
其它你可能感兴趣的问题