Equidad en una clasificación binaria

Para detectar y mitigar el sesgo societario en una clasificación binaria, puede usar las funciones fairnessMetrics, fairnessWeights, disparateImpactRemover y fairnessThresholder 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, disparateImpactRemover para eliminar el impacto dispar de un atributo susceptible o fairnessThresholder para optimizar el umbral de clasificación.

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. La función fairnessThresholder proporciona una técnica de posprocesamiento que ajusta las etiquetas cerca de los límites de predicción para un clasificador entrenado. Para evaluar el comportamiento del modelo final, puede usar la función fairnessMetrics, así como varias funciones de interpretación. Para obtener más información, consulte Interpret Machine Learning Models.