二类分类中的公平性

研究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 和 disparateImpactRemover 函数。首先，使用 fairnessMetrics 根据偏向和组指标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，或使用 disparateImpactRemover 消除敏感属性所带来的差别影响。

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。要评估训练后的模型行为，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。

函数

`fairnessMetrics`	Bias and group metrics for a data set or classification model
`report`	Generate fairness metrics report
`plot`	Plot bar graph of fairness metric
`fairnessWeights`	Reweight observations for fairness in binary classification
`disparateImpactRemover`	Remove disparate impact of sensitive attribute
`transform`	Transform new predictor data to remove disparate impact

主题

Introduction to Fairness in Binary Classification
Detect and mitigate societal bias in machine learning by using the fairnessMetrics, fairnessWeights, and disparateImpactRemover functions.

二类分类中的公平性

函数

主题

相关信息

WeChat