Main Content

La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Equidad en una clasificación binaria

Explorar la equidad en una clasificación binaria

Para detectar y mitigar el sesgo societario en una clasificación binaria, puede usar las funciones fairnessMetrics, fairnessWeights y disparateImpactRemover en Statistics and Machine Learning Toolbox™. En primer lugar, use fairnessMetrics para evaluar la equidad de un conjunto de datos o modelo de clasificación usando sesgos y métricas grupales. A continuación, use fairnessWeights para volver a ponderar las observaciones o use disparateImpactRemover para eliminar el impacto dispar de un atributo susceptible.

Las funciones fairnessWeights y disparateImpactRemover ofrecen técnicas de preprocesamiento que permiten ajustar los datos de los predictores antes de entrenar (o volver a entrenar) un clasificador. Para evaluar el comportamiento del modelo tras el entrenamiento, puede usar la función fairnessMetrics, así como varias funciones de interpretación. Para obtener más información, consulte Interpret Machine Learning Models.

Funciones

fairnessMetricsBias and group metrics for a data set or classification model
reportGenerate fairness metrics report
plotPlot bar graph of fairness metric
fairnessWeightsReweight observations for fairness in binary classification
disparateImpactRemoverRemove disparate impact of sensitive attribute
transformTransform new predictor data to remove disparate impact

Temas

Información relacionada