在机器学习领域，公平性是一个至关重要的议题。本教程将介绍一些常用的机器学习公平性度量指标。
常见公平性度量指标
- 基尼不平等指数 (Gini Inequality Index): 用于衡量数据集中不同群体之间的不平等程度。
- 误差率 (Error Rate): 指的是模型在所有数据点上的错误率。
- 精度 (Precision): 指的是模型预测为正例的样本中，实际为正例的比例。
- 召回率 (Recall): 指的是模型预测为正例的样本中，实际为正例的比例。
- F1 分数 (F1 Score): 是精度和召回率的调和平均数，用于综合评估模型的性能。
示例
假设我们有一个分类模型，用于预测贷款是否会被批准。以下是一个简化的示例：
- 正例 (贷款批准): 男性，年龄 25 岁，收入 50000 元
- 反例 (贷款拒绝): 女性，年龄 30 岁，收入 40000 元
我们可以使用上述指标来评估模型的公平性。
图片示例
机器学习公平性
扩展阅读
想要了解更多关于机器学习公平性的知识，可以阅读以下文章：