公平性：简介#
本节要点：
- 本模块主线：识别并缓解那些会拖累机器学习模型的人为偏见。
- 前后两道关：训练之前主动排查数据里的偏见，训练之后评估模型预测中的偏见。
- 偏见的来源：人身上固有的种种偏见，会被机器学习算法无意间复刻出来。
- 知识前提：本模块建立在机器学习基础之上——线性回归、逻辑回归、分类，以及数值型与类别型数据的处理。
预计整个模块学习时长： 110 分钟
学习目标：
认识到那些可能被机器学习算法无意复现的常见人为偏见。
在训练模型之前，主动探索数据、找出偏见的来源。
评估模型预测中存在的偏见。
先修要求：
本模块假设你已经熟悉以下模块中介绍的概念：
负责任地评估一个机器学习（ML）模型，光算一算整体的损失指标是不够的。在把模型送进生产环境之前，更关键的是两步：审计一遍训练数据，再评估一遍预测结果里有没有偏见。
这个模块要讲的，就是那些可能悄悄混进训练数据的人为偏见，以及一整套应对办法 —— 先认识它们，再想办法识别与缓解，最后带着公平性的尺子，重新掂量模型的表现。
关键术语：