Selection bias হয় যখন আমরা যে sample থেকে data collect করছি, সেটি পুরো population-কে properly represent করে না।
সহজভাবে বললে:
যাদের data আমরা দেখছি, তারা যদি পুরো population-এর representative না হয়, তাহলে আমাদের analysis biased হতে পারে।
ধরুন, একটি mobile app-এর customer satisfaction measure করতে survey পাঠানো হলো।
কিন্তু survey পাঠানো হলো শুধু:
Daily active users
এখন একটি গুরুত্বপূর্ণ group survey-এর বাইরে থেকে গেল:
যারা app পছন্দ না করে uninstall করেছে
ফলে survey result হয়তো দেখাবে:
95% customers satisfied!
কিন্তু এখানে একটি problem আছে।
যারা dissatisfied হয়ে app ছেড়ে দিয়েছে, তাদের মতামত data-তেই নেই।
ফলে observed sample পুরো customer population-কে represent করছে না।
এটাই Selection Bias।
Machine Learning Example
ধরুন আপনি একটি loan default prediction model তৈরি করছেন।
Training data-তে শুধু সেই customers-এর historical data আছে যাদের loan approved হয়েছিল।
All applicants
↓
Approval Policy
↓
Approved customers
↓
Training Data
এখানে rejected customers-এর behaviour training data-তে নেই।
আর loan approval policy নিজেই determine করছে কার data আমরা দেখতে পাচ্ছি।
ফলে model এমন একটি sample থেকে শিখছে যা পুরো applicant population-এর representative নয়।
এটিকে selection bias-এর একটি গুরুত্বপূর্ণ example হিসেবে দেখা যায়।
কেন এটি গুরুত্বপূর্ণ?
Selection bias শুধু dataset-এর সমস্যা নয়; এটি model-এর prediction এবং statistical conclusion-কে প্রভাবিত করতে পারে।
একটি model training data-তে খুব ভালো perform করলেও, সেই training data যদি target population-কে properly represent না করে, তাহলে real-world performance ভিন্ন হতে পারে।
তাই data collection-এর সময় প্রশ্ন করা গুরুত্বপূর্ণ:
আমরা কার data collect করেছি?
কার data collect করিনি?
কেন collect করিনি?
এই selection process কি আমাদের result-কে influence করছে?
Interview Answer
Selection bias হয় যখন observed sample target population-এর representative নয়। এর ফলে sample থেকে পাওয়া statistical conclusion বা trained model systematicভাবে biased হতে পারে।
সবচেয়ে সহজভাবে মনে রাখুন:
Selection Bias
→ Wrong / incomplete selection
→ Unrepresentative sample
→ Biased conclusion or model