二类分类中的公平性

为了检测和减轻二类分类中的社会性偏向，您可以使用 Statistics and Machine Learning Toolbox™ 中的 fairnessMetrics、fairnessWeights、disparateImpactRemover 和 fairnessThresholder 函数。首先，使用 fairnessMetrics 根据偏向和组度量评估数据集或分类模型的公平性。然后，使用 fairnessWeights 对观测值重新加权，使用 disparateImpactRemover 消除敏感属性所带来的差别影响，或使用 fairnessThresholder 优化分类阈值。

fairnessWeights 和 disparateImpactRemover 函数提供预处理方法，可用于在训练（或重新训练）分类器之前调整预测变量数据。fairnessThresholder 函数提供一种后处理方法，用于调整已训练分类器的预测边界附近的标签。要评估最终的模型行为，您可以使用 fairnessMetrics 函数以及各种可解释性函数。有关详细信息，请参阅Interpret Machine Learning Models。