バイナリ分類の公平性

バイナリ分類の社会的バイアスを検出して軽減するには、Statistics and Machine Learning Toolbox™ の関数 fairnessMetrics、fairnessWeights、disparateImpactRemover、および fairnessThresholder を使用できます。まず、fairnessMetrics を使用して、バイアス メトリクスとグループ メトリクスを用いてデータ セットまたは分類モデルの公平性を評価します。その後、fairnessWeights を使用して観測値を再重み付けするか、disparateImpactRemover を使用してセンシティブ属性による差異の影響を除去するか、fairnessThresholder を使用して分類しきい値を最適化します。

関数 fairnessWeights および disparateImpactRemover は、分類器の学習 (または再学習) の前に予測子データを調整できる前処理の手法を提供します。関数 fairnessThresholder は、学習済み分類器の予測境界近くのラベルを調整する後処理の手法を提供します。最終的なモデルの動作を評価するには、関数 fairnessMetrics や各種の解釈可能性関数を使用できます。詳細については、機械学習モデルの解釈を参照してください。