返回
代码仓库
Fairness Metrics
用途
两个群体获得肯定判定的频率可能相同,遇到的错误类型却可能不同。这段 Python 示例按用户 ID 关联预测、真实结果和所属群体。项目说明用一张表并列展示两组的选中率、假阳性、假阴性和召回率。
说明里的示例与公开代码有一处差异。函数计算判为阴性的样本中有多少被误判时,使用了未定义的分组变量,程序会在返回表格之前停止。
原始文献
原始来源 · github.com Fairness Metrics for Binary Classification Published Python implementation引用信息
Fairness Metrics · https://github.com/detasar/fairness_metrics