이진 분류의 공정성
이진 분류에서 사회적 편향을 감지하고 완화하기 위해 Statistics and Machine Learning Toolbox™의 fairnessMetrics, fairnessWeights, disparateImpactRemover, fairnessThresholder 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 제거하거나 fairnessThresholder를 사용하여 분류 임계값을 최적화합니다.
fairnessWeights 함수 및 disparateImpactRemover 함수는 분류기를 훈련(또는 재훈련)시키기 전에 예측 변수 데이터를 조정할 수 있는 전처리 기법을 제공합니다. fairnessThresholder 함수는 훈련된 분류기의 예측 경계 근처에서 레이블을 조정하는 후처리 기법을 제공합니다. 최종 모델 동작을 평가하기 위해 fairnessMetrics 함수와 다양한 해석 가능성 함수를 사용할 수 있습니다. 자세한 내용은 Interpret Machine Learning Models 항목을 참조하십시오.
함수
도움말 항목
- Introduction to Fairness in Binary Classification
Detect and mitigate societal bias in machine learning by using the
fairnessMetrics,fairnessWeights,disparateImpactRemover, andfairnessThresholderfunctions.
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)
