Retour
Dépôt
Fairness Metrics
Finalité
Deux groupes peuvent recevoir aussi souvent une décision positive et pourtant subir des erreurs différentes. Cet exemple Python relie, par identifiant utilisateur, les prédictions, les résultats observés et l’appartenance à un groupe. Le README met en regard taux de sélection, faux positifs, faux négatifs et sensibilité.
L’exemple et le code divergent sur un point. Pour calculer la part d’erreurs parmi les décisions négatives, la fonction publiée utilise des variables de groupe non définies. Elle s’arrête avant de renvoyer le tableau.
Documents sources
Source originale · github.com Fairness Metrics for Binary Classification Published Python implementationRéférence
Fairness Metrics · https://github.com/detasar/fairness_metrics