不可靠数据源识别
您的团队正在开发一个模型，用于协助汽车安全行业生成准确的报告。您从三个数据源收集了偏好数据——"GlobalDrive Safety Institute"、"AutoTech Safety Alliance"以及"QuickScan Auto Review"。近期有人对数据的真实性提出了担忧，您被要求评估这些数据，找出是否存在不可靠的数据源。
automotive_df 是一个合并后的 DataFrame，已通过预先导入的 pandas 库加载，包含来自三个来源的数据。预先导入的 majority_vote 函数会为每个 'id' 生成一个类似字典的对象，内含该 'id' 的多数投票 (chosen, rejected) 配对。
本练习是课程的一部分
来自人类反馈的强化学习（RLHF）
练习说明
- 为给定数据源定义一个条件，用于统计其与多数投票不一致的一次情况。
交互式实操练习
通过完成这段示例代码来试试这个练习。
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)