Modelimizin adaletle ilgili tahminlerini değerlendirmek için kullanabileceğimiz bir yöntem de Çoğunluk grubu ve azınlık grubu için kabul oranını karşılaştırır. İki giriş ücreti eşitse modelin tahminleri demografik denklik: bir öğrencinin üniversiteye kabul edilme şansı, demografik grup.
Kabul modelinin çoğunluktan 16 aday kabul ettiğini varsayalım seçimde yer alıyor. Modelin kararları kabul oranı olarak, demografik pariteyi hem çoğunluk hem de çoğunluk için adayların oranı %20'dir.
![İki gruba ayrılmış aday havuzu: Reddedilen Adaylar (64 mavi)
öğrenciler, 16 turuncu öğrenci) ve Kabul Edilen Adaylar (16 mavi
öğrenci, 4 turuncu öğrenci).](https://developers.google.cn/static/machine-learning/crash-course/fairness/images/fairness_metrics_demographic_parity.png?authuser=7&hl=tr)
Aşağıdaki tabloda, reddedilen ve kabul edilen kanalları destekleyen sayılar gösterilmektedir. seçenekleri için gösterilmiştir.
Çoğunluk grubu | Azınlık grubu | |
---|---|---|
Kabul edildi | 16 | 4 |
Reddedildi | 64 | 16 |
Kabul Oranı | %20 | %20 |
Alıştırma: Sezgilerinizi sınayın
Üniversiteye kabul komitesi demografik denkliği kullanmayı düşünüyor metriği olarak kullandığınızdan emin olabilirsiniz. Bu konuda rehberliğinize olumlu ve olumsuz yönleri üzerine düşünmeye başlayın. Birini tanımlar mısınız? modelin tahminlerini demografik verileri kullanarak değerlendirmenin avantajı ve bir dezavantajı ne kadar yer alıyor?
Bir sonraki bölümü okumaya devam edin: Avantajlar ve Dezavantajlar: demografik benzerlik.
Faydaları ve Dezavantajları
Kabul örneğimizde demografik benzerliğin temel avantajı, kabul edilen gruplarda hem çoğunluk hem de azınlık gruplarının temsil edilmesini sağlar aday havuzundakilerle aynı oranda öğrenci grubuna atanır. Yani başvuru sahibi havuzunda% 80 çoğunluk grup adaylarından oluşuyorsa %20 oranında azınlık grubu adaylarında bulunması durumunda, demografik eşitlik grubun Ayrıca, kabul edilenlerin% 80'i grup öğrencilerinden ve% 20'si azınlık grubundan öğrenciler.
Ancak, demografik denkliğin önemli bir dezavantajı vardır: Her demografik gruba yönelik tahminlerin dağılımı (sayı "uygun" olarak sınıflandırılan öğrenciler ve "uygun değil") 20 giriş alanının nasıl tahsis edilmesi gerektiğini değerlendiriyoruz.
Aday havuzumuzun yapısına yukarıdan tekrar göz atalım. Ancak bu kez adayları yalnızca demografik gruplara göre değil, aynı zamanda modelin her adayı "uygun" veya "uygun değil":
![Reddedilen ve Kabul edilen adaylar dökümünün aynı dökümü
ama bu kez 50 öğrenciden oluşan
nitelikli (35 mavi öğrenci, 15 turuncu öğrenci) yeşil,
ve reddedilen nitelikli öğrencilerden oluşan bir alt küme (19 mavi öğrenci,
11 turuncu öğrenci) X ile işaretlenir.](https://developers.google.cn/static/machine-learning/crash-course/fairness/images/fairness_metrics_demographic_parity_by_qualifications.png?authuser=7&hl=tr)
Aşağıdaki tabloda, reddedilen ve kabul edilen kanalları destekleyen sayılar gösterilmektedir. seçenekleri için gösterilmiştir.
Çoğunluk grubu | Azınlık grubu | |||
---|---|---|---|---|
Kabul edildi | Reddedildi | Kabul edildi | Reddedildi | |
Uygun | 16 | 19 | 4 | 11 |
Uygun Değil | 0 | 45 | 0 | 5 |
Uygun öğrencilerin kabul oranlarını her iki grup için de tablo haline getirelim:
Her iki grubun da genel kabul oranı %20 olsa da tatmin edici nitelikli çoğunluk öğrencilerinin kabul oranı %46'dır. Nitelikli azınlık öğrencilerinin kabul oranı ise yalnızca %27'dir.
Bu gibi durumlarda, ("uygun" gibi), her iki grup için de büyük farklılık gösterdiğinden, demografik benzerlik değerlendirme açısından seçilecek en uygun metrik olmayabilir. Sonraki bu bölümde alternatif bir adalet metriği, fırsat eşitliği, dikkate alır.