Was ist Bias und wie reduzierst du ihn in Datensätzen?

Sampling Bias erkennen

Sampling Bias entsteht, wenn deine Stichprobe nicht der Grundgesamtheit entspricht. Klassisches Beispiel: Du befragst Passanten in der Fußgängerzone tagsüber. Berufstätige Familien fehlen, weil sie zur Arbeit sind. Singlehaushalte sind überrepräsentiert. Deine Schlüsse über die Grundgesamtheit sind verzerrt.

Measurement Bias

Auch die Datenerfassung selbst kann verzerren. Eine Umfrage mit suggestiven Fragen liefert systematisch geschönte Antworten. Sensoren mit Toleranz-Bereich messen am Rand des Bereichs ungenauer als in der Mitte. Wer den Mess-Apparat nicht versteht, baut Bias unwissentlich in die Daten ein.

Resampling und Reweighting

Resampling stellt den Datensatz neu zusammen: Du nimmst gezielt mehr Beispiele aus unterrepräsentierten Gruppen oder weniger aus überrepräsentierten. Reweighting hingegen lässt den Datensatz unverändert, gewichtet aber im Training die Datensätze unterschiedlich, sodass unterrepräsentierte Gruppen mehr Einfluss bekommen. Welche Methode passt, hängt vom Anwendungsfall ab.

Voraussetzung ist Erkennen

Bias-Reduktion startet damit, Bias überhaupt zu sehen. Datenexploration mit Verteilungs-Diagrammen pro relevanter Gruppe (Alter, Geschlecht, Region) zeigt schnell, wo Lücken sind. Wer diesen Schritt überspringt, optimiert blind und produziert diskriminierende Modelle.