Metricile de Echitate Formală traduc concepte filozofice și juridice de nediscriminare în formule matematice verificabile pentru a valida că algoritmii de decizie (ex: aprobare credite, selecție CV-uri) nu penalizează grupurile protejate (gen, etnie, vârstă).
# Evaluarea Demographic Parity cu pachetul Fairlearn:
from fairlearn.metrics import MetricFrame, selection_rate
from sklearn.metrics import accuracy_score
metric_frame = MetricFrame(
metrics={"rata_selectie": selection_rate, "acuratete": accuracy_score},
y_true=y_real,
y_pred=y_prezis,
sensitive_features=caracteristica_protejata_gen
)
print(metric_frame.by_group)
# Dacă rata de selecție diferă semnificativ între bărbați și femei, există risc de discriminare directă!Compromis inevitabil: Teorema imposibilității echității matematice demonstrează că nu se pot satisface simultan toate definițiile de corectitudine.
Întrebări & Discuții: Metrici de Echitate Algoritmică: Demographic Parity și Equalized Odds
Ai o întrebare despre Metrici de Echitate Algoritmică: Demographic Parity și Equalized Odds sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!
Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!
Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.