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 fairnessMetrics
를 통해 편향 및 그룹 메트릭을 사용하여 데이터 세트 또는 분류 모델의 공정성을 평가합니다. 그런 다음 fairnessWeights
를 사용하여 관측값에 다시 가중치를 부여하거나 disparateImpactRemover
를 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
, anddisparateImpactRemover
functions.
관련 정보
- Explore Fairness Metrics for Credit Scoring Model (Risk Management Toolbox)
- Bias Mitigation in Credit Scoring by Reweighting (Risk Management Toolbox)
- Bias Mitigation in Credit Scoring by Disparate Impact Removal (Risk Management Toolbox)