动手三步

1. 先进鸢尾花演示：点中散点里任意一个点，左边出现它的四个测量值和三个品种的推理得分
2. 把花瓣长度从 5.1 改成 1.2，点运行推理：结果直接从一个品种翻成另一个，图里那个点当场换色
3. 再进收入分类演示（两个模型同台），改一下年龄再推理，看两个模型的得分各自涨了多少
4. 打开「最近反事实点」：工具会找出与它最像、但结果相反的那条数据，标出两者不同的字段
5. 切到部分依赖图：只动一个特征、其余不变，看模型得分随这个特征怎么走
6. 切到表现与公平性页，拖动阈值滑块看混淆矩阵四格此消彼长；再按分组比较各组的准确率与假正例率

课堂怎么用

• 第一节课只用鸢尾花：改一个花瓣长度就能把品种判断翻过来，学生立刻理解模型是一个对输入敏感的函数
• 反事实是讲可解释性最省力的入口：让学生自己找到「改哪一个字段最容易让结论翻转」
• 阈值与代价比适合做课堂辩论：医学早筛该宁可误报，人脸开锁该宁可漏报，让学生先定代价比再点优化
• 三种公平性口径点下去给出三套不同阈值，正是「公平没有唯一定义」的现场证据
• 接 E-05 几率均等与 E-06 模型怎么学会歧视：那两件给定义，这件让学生自己动手调

思考题

1. 只把一条数据的年龄改大几岁，模型的判断就变了，这说明模型学到了什么？
2. 把分类阈值从 0.5 调到 0.25，混淆矩阵的四个格子各自怎么变？什么场景下你愿意这样调？
3. 三种公平性口径给出的阈值都不一样。如果你是这个系统的负责人，你选哪一个？这是技术问题还是价值判断？

已知限制

• 内置数据集只保留两份：鸢尾花（150 行，无敏感字段）与美国人口普查收入预测（16,281 行）。原作另带的真人人脸、再犯风险、以及与收入重复的年龄回归三份数据与对应演示页均未收录，首页入口也已移除
• 保留的收入数据集含种族、性别、原国籍三个受保护属性。数据来历：美国 1994 年人口普查抽样，1996 年公开，至今是机器学习教学与公平性研究的经典教材数据
• 这些字段正是本工具的教学内容本身，它演示的是如何发现模型在不同分组上的表现差异。课堂讨论请统一收在「数据里的偏差从哪来、怎么被发现、怎么修正」这条线上；本工具不提供、本课也不做任何人群之间的比较，相关结论不得外推到现实人群
• 被探查的数据一律不翻译：字段名、字段取值以及工具自动派生的字段都保持英文原样，它们既是数据本身，也被界面当作键使用
• 组件初始化时会打印几条控制台报错，原作自带，不影响显示与交互
• 所有推理由浏览器本地完成，不联网；但收入演示同时加载两个模型，低配机器首屏需要十几秒
• 界面按宽屏设计，投影建议 1366×768 及以上，手机上不可用
• 国家或地区字段保留原始历史数据取值，供偏差分析与复核，不表示本站的行政区划分类。