不可靠資料來源辨識
你的團隊正在開發一個模型，協助汽車安全產業產出準確的報告。你從三個資料來源蒐集了偏好資料——「GlobalDrive Safety Institute」、「AutoTech Safety Alliance」以及「QuickScan Auto Review」。最近外界對資料的可信度產生疑慮，你被要求評估是否存在任何不可靠的資料來源。
automotive_df 是使用已預先匯入的 pandas 函式庫載入並合併的 DataFrame，其中包含這三個來源的資料。已預先匯入的 majority_vote 函式會依 'id' 產生一個類似字典的物件，內含該 id 的多數決（chosen, rejected）配對。
本練習屬於課程
Reinforcement Learning from Human Feedback（RLHF）
練習說明
- 定義條件，用於在指定資料來源中，計算與多數決不一致的 1 次情況。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
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)