机器学习算法与社会歧视偏见(4)

顺序学习 更多理论 因果建模 优化公平在所有这些中，优化公平似乎是最简单和最好的行动方案。在下一节中，我们将概述如何优化模型以实现公平性。
优化公平
构建优化非歧视的机器学习算法可以通过以下四种方式完成：
将非歧视标准正式化 人口平等 均衡赔率 经过良好校准的系统我们将依次讨论这些问题。
将非歧视标准正式化基本上是其他3种方法所涉及的标准，它们是旨在使非歧视标准正式化的标准类型。但是，这份清单并非详尽无遗，可能还有更好的方法尚未提出。
人口平价提出决策（目标变量）应独立于受保护的属性 - 种族，性别等与决策无关。
对于二元决策Y和受保护属性A：
P（Y = 1 | A = 0）= P（Y = 1 | A = 1）
无论受保护的属性（无论是（A = 1）还是（A = 0）），做出某些决定的概率（Y = 1）应该是相同的。然而，人口统计奇偶校验使用完美预测器C = Y，其中C是预测变量，Y是目标变量。
要理解异议，请考虑以下情况。假设我们想要预测一个人是否会购买有机洗发水。某些团体的成员是否购买有机洗发水并不独立于该团体的成员资格。但是，人口统计平等将排除使用完美预测器。
均衡赔率建议预测变量和受保护属性应该是独立的，以结果为条件。对于预测变量R，结果Y和受保护属性A，其中所有三个都是二进制变量：
P（R = 1 | A = 0，Y = 1）= P（R = 1 | A = 1，Y = 1）。
该属性（无论是（A = 1）还是（A = 0））不应该改变您的估计（P），即某个相关预测因子（R = 1）对候选者是否成立的可能性。相反，（某些决定的）结果（Y = 1）应该。该过程的一个优点是它与理想预测器兼容，R = Y.
考虑以下案例，让学生被耶鲁大学录取，因为他们是高中时的告别演说者。均衡赔率假定知道学生是否是同性恋并不会改变学生是否是告别演说者的概率。
预测者R=您是否是高中告别演说者（1）或不是（0）
结果Y=进入耶鲁（1）与否（0）
属性A=同性恋（1），直（0）
P（R = 1 | A = 0，Y = 1）= P（R = 1 | A = 1，Y = 1）。
经过良好校准的系统建议结果和受保护属性是独立的，以预测器为条件。对于预测变量R，结果Y和受保护属性A，其中所有三个都是二进制变量：