이진 분류의 공정성

이진 분류의 공정성 탐색

이진 분류에서 사회적 편향을 감지하고 완화하기 위해 Statistics and Machine Learning Toolbox™의 fairnessMetrics, fairnessWeights, disparateImpactRemover 함수를 사용할 수 있습니다. 먼저 fairnessMetrics를 통해 편향 및 그룹 메트릭을 사용하여 데이터 세트 또는 분류 모델의 공정성을 평가합니다. 그런 다음 fairnessWeights를 사용하여 관측값에 다시 가중치를 부여하거나 disparateImpactRemover를 사용하여 민감한 특성의 차별적 효과(disparate impact)를 제거합니다.

fairnessWeights 함수 및 disparateImpactRemover 함수는 분류기를 훈련(또는 재훈련)시키기 전에 예측 변수 데이터를 조정할 수 있는 전처리 기법을 제공합니다. 훈련시킨 후 모델 동작을 평가하기 위해 fairnessMetrics 함수와 다양한 해석 가능성 함수를 사용할 수 있습니다. 자세한 내용은 Interpret Machine Learning Models 항목을 참조하십시오.

함수

`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

도움말 항목

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

이진 분류의 공정성

함수

도움말 항목

관련 정보