在Watson OpenScale中，去偏向模型在哪里得到训练？

在Watson OpenScale中，去偏向模型是在模型解释器中进行训练的。模型解释器是一个用于解释和监控机器学习模型的组件，它可以帮助我们理解模型的预测结果，并检测模型的偏见和不公平性。去偏向模型的训练过程包括以下几个步骤：

1. 数据收集：首先，我们需要收集用于训练去偏向模型的数据。这些数据应该包含原始模型的预测结果以及与之相关的特征。
2. 特征工程：在收集到数据后，我们需要对数据进行特征工程，以便提取有用的特征。这些特征可以包括性别、年龄、种族等与模型偏见相关的因素。
3. 训练模型：接下来，我们使用收集到的数据和特征来训练去偏向模型。训练过程可以使用各种机器学习算法，如逻辑回归、决策树等。
4. 模型评估：一旦去偏向模型训练完成，我们需要对其进行评估，以确保其能够准确地检测和纠正模型的偏见。评估过程可以使用一些指标，如准确率、召回率等。
5. 部署和监控：最后，我们将训练好的去偏向模型部署到Watson OpenScale中，并对其进行监控。通过监控，我们可以实时地检测模型的偏见，并采取相应的措施进行纠正。

推荐的腾讯云相关产品：腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）提供了丰富的机器学习算法和模型训练、部署、监控的功能，可以用于训练去偏向模型和监控模型的性能。