2. 偏差类型概览：选择性偏差、测量偏差、幸存者偏差、报告偏差、回忆偏差、确认偏差

在数据驱动的机器学习项目中，样本偏差是导致模型泛化能力下降、预测结果失真的核心诱因。理解不同偏差类型的成因与表现，是构建高质量训练集的第一步。本节系统梳理六种最常见的偏差类型，并通过对比表格与结构图示帮助建立清晰的概念框架。

2.1 六种偏差类型速览

下表从定义、典型场景、对模型的影响三个维度，对六种偏差进行横向对比：

2.2 偏差来源与数据管道的关系

为了更直观地理解每种偏差在数据生命周期中的位置，下图展示了从“真实世界”到“模型训练”的典型数据管道，并标注了各偏差类型的主要侵入点：

2.3 偏差类型详细解析

2.3.1 选择性偏差 (Selection Bias)

当样本选取过程与目标变量存在关联时，即产生选择性偏差。例如，使用App内点击日志训练点击率预测模型，但未考虑未安装App或从不点击的用户群体。模型将高估整体用户的点击倾向。

• 常见诱因： 便利采样、自愿响应、丢失数据非随机。
• 缓解策略： 使用分层采样、逆概率加权、或收集辅助数据校正。

2.3.2 测量偏差 (Measurement Bias)

测量偏差源于特征或标签的采集方式存在系统性误差。例如，使用不同精度的温度传感器采集环境数据，或不同标注者对同一张图片给出不同标签。

• 常见诱因： 仪器校准差异、标注指南不统一、数据预处理错误。
• 缓解策略： 标准化测量流程、标注一致性检验（如Kappa系数）、传感器定期校准。

2.3.3 幸存者偏差 (Survivorship Bias)

只关注“幸存”或“成功”的样本，忽略那些被淘汰或失败的样本。在金融风控模型中，仅使用已放贷且正常还款的用户数据训练，会忽略被拒贷用户和违约用户，导致模型高估新申请人的信用水平。

• 常见诱因： 数据仅来自结果为正的样本、历史数据截断。
• 缓解策略： 主动收集被淘汰样本、使用拒绝推断（Reject Inference）技术。

2.3.4 报告偏差 (Reporting Bias)

数据记录受报告意愿或报告渠道影响。例如，电商评论中极端好评和差评占比远高于中等评价，因为普通体验的用户缺乏报告动力。模型若仅基于评论数据训练，会学到两极分化的情感分布。

• 常见诱因： 自愿报告机制、社交媒体“沉默的大多数”现象。
• 缓解策略： 结合被动行为数据（如浏览时长）、对报告倾向进行建模校正。

2.3.5 回忆偏差 (Recall Bias)

受访者或记录者因记忆失真导致数据不准确。常见于问卷调查、医疗自述病史等场景。例如，用户回忆过去一个月的运动次数，往往高估实际频率。

• 常见诱因： 时间跨度长、事件频率高、记忆模糊。
• 缓解策略： 缩短回忆窗口、使用日志或传感器替代主观回忆、采用事件采样法。

2.3.6 确认偏差 (Confirmation Bias)

数据收集或标注过程中，倾向于寻找或强调支持已有假设的证据。在标注情感分析数据时，若标注者已知产品口碑较好，可能将模糊的负面评论也标注为正面。

• 常见诱因： 标注者先验知识、团队预期压力、数据筛选标准不客观。
• 缓解策略： 盲标设计、多标注者交叉验证、制定客观标注规则。

2.4 偏差类型与模型训练阶段的关联

下图进一步将六种偏差与模型训练的关键阶段（数据收集、数据预处理、特征工程、模型评估）进行映射，帮助理解每种偏差在哪个环节最容易造成破坏：

2.5 偏差识别清单

在开始模型训练前，建议对照以下清单快速排查数据集中可能存在的偏差：

1. 采样过程： 样本是否覆盖了所有目标子群体？是否存在某些群体被系统性地排除？
2. 测量工具： 所有数据来源的测量标准是否一致？是否存在已知的仪器或人为误差？
3. 样本完整性： 数据中是否只包含“成功”或“幸存”的样本？被淘汰的样本是否有记录？
4. 报告机制： 数据是否来自自愿报告？是否存在报告门槛导致数据分布偏移？
5. 数据来源： 数据是否依赖人的记忆？回忆窗口是否过长？
6. 标注过程： 标注者是否了解研究假设？是否存在主观倾向影响标注结果？