¿Alguna vez ha oído hablar de un problema ético en los datos de Vivienda de Boston?Me sorprendió recibir el siguiente mensaje de error cuando intenté usar los datos de Boston Housing en scikit-learn de Python (mediante el módulo load_boston). Creo que deberíamos evitar usar estos datos cuando haces una demostración a usuarios y prospectos. Ingresé en el ticket JIRA JMP-16844 que deberíamos eliminar la tabla de datos de muestra de Vivienda de Boston de JMP. A menudo he usado ingenuamente este conjunto de datos.
`load_boston` has been removed from scikit-learn since version 1.2.
The Boston housing prices dataset has an ethical problem: as
investigated in [1], the authors of this dataset engineered a
non-invertible variable "B" assuming that racial self-segregation had a
positive impact on house prices [2]. Furthermore the goal of the
research that led to the creation of this dataset was to study the
impact of air quality but it did not give adequate demonstration of the
validity of this assumption.
The scikit-learn maintainers therefore strongly discourage the use of
this dataset unless the purpose of the code is to study and educate
about ethical issues in data science and machine learning.
Re: ¿Alguna vez ha oído hablar de un problema ético en los datos de Vivienda de Boston?En cualquier caso, con nuestro objetivo de " difundir el uso y el impacto del Descubrimiento Estadístico dentro del científico y ingeniería comunidades", realmente deberíamos usar ejemplos más relevantes.
Re: ¿Alguna vez ha oído hablar de un problema ético en los datos de Vivienda de Boston?Gracias por la información y tu respuesta.
Parece que "b", la tercera columna desde la derecha, tiene un problema ético más serio que "lstat".
Re: ¿Alguna vez ha oído hablar de un problema ético en los datos de Vivienda de Boston?Gracias por su respuesta.
Estoy de acuerdo. La "equidad" debe ser muy importante en el aprendizaje automático y el área científica.
Re: ¿Alguna vez ha oído hablar de un problema ético en los datos de Vivienda de Boston?Corrección.En la tabla de datos de ejemplo de JMP, es la variable "B", que está relacionada con el porcentaje de la población que es afroamericana.Tenga en cuenta el tiempo en que este estudio se originó, cuando la discriminación racial y los prejuicios eran mucho más comunes en los Estados Unidos.Creo que también la variable LSTAT está relacionada con la raza o la etnia.
Si bien la raza o el origen étnico pueden ser una variable demográfica importante para usar en el modelado predictivo, este ejemplo define a propósito una variable que implica que un grupo racial en particular determina el estado económico general de una región geográfica.Estos datos de ejemplo se usan en el libro Building Better Models with JMP Pro, pero en la segunda edición (actualmente en curso) buscamos reemplazar este conjunto de datos de ejemplo.
En mi opinión, creo que es mejor evitar usar estos datos en demostraciones y documentación.
Re: ¿Alguna vez ha oído hablar de un problema ético en los datos de Vivienda de Boston?@yusuke_ono gracias por traer este asunto a colación.Quería informarle que esto se está evaluando de cerca, y el desarrollo está analizando activamente nuestros conjuntos de datos de muestra para identificar aquellos ejemplos en los que la fuente o los antecedentes de los datos no serían apropiados para que los usemos.
Creo que esto también destaca que debemos tener cuidado de comprender la fuente y los antecedentes de los datos que usamos cuando presentamos y demostramos JMP.
Re: ¿Alguna vez ha oído hablar de un problema ético en los datos de Vivienda de Boston?Estoy de acuerdo con lo dicho anteriormente. Una "solución alternativa" por el momento es borrar o esconder & excluir esas variables en cuestión.Hace años, cuando trabajaba en AT&T, enfrentamos problemas similares con respecto al uso de los datos demográficos del censo de EE. UU. para modelar a nuestros clientes, nuestros abogados nos aconsejaron que no los usáramos en los modelos de calificación.
