信頼性の低いデータソースの特定
自動車の安全性に関する正確なレポート作成を支援するモデルを開発しています。3つのデータソース（"GlobalDrive Safety Institute"、"AutoTech Safety Alliance"、"QuickScan Auto Review"）から嗜好データを収集しました。最近、データの完全性に懸念が生じ、信頼性の低いデータソースがないか評価するよう依頼されました。
automotive_df は、事前にインポートされた pandas ライブラリを使って読み込まれた結合済みの DataFrame で、3つのソースからのデータを含みます。事前にインポートされた majority_vote 関数は、各 'id' ごとの多数決の（chosen, rejected）のペアを持つ辞書のようなオブジェクトを作成します。
この演習はコースの一部です
人間のフィードバックによる強化学習（RLHF）
演習の手順
- 特定のデータソースについて、多数決との不一致を1件として数える条件を定義してください。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
def detect_unreliable_source(merged_df):
df_majority = df.groupby('id').apply(majority_vote)
disagreements = {source: 0 for source in df['source'].unique()}
for _, row in df.iterrows():
# Condition to find a disagreement with majority vote
____
unreliable_source = max(disagreements, key=disagreements.get)
return unreliable_source
disagreement = detect_unreliable_source(automotive_df)
print("Unreliable Source:", disagreement)