معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

A Python package to check for algorithmic bias.

ویژگی	مقدار
سیستم عامل	-
نام فایل	BiasBuster-0.0.4
نام	BiasBuster
نسخه کتابخانه	0.0.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Nathalie Rzepka
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/nathalierze/BiasBuster
آدرس اینترنتی	https://pypi.org/project/BiasBuster/
مجوز	-

This package provides functions to test one's ML models bias. # BiasBuster package The metrics are calculated by a slicing analysis. Four fairness metrics are supported: ABROCA, Equal Opportunity, Predictive Equality and Predictive Parity. ABROCA: met, if both groups have equal Absolute Between ROC Area Equal Opportunity: met, if both groups have equal FNR Predictive Equality: met, if both groups have equal FPR Predictive Parity: met, if both groups have the same PPV # Installation This package can be installed using pip. An installation with pip automatically downloads the latest version from PyPI: ``` pip install BiasBuster ``` # Example & Usage Import the metric you'd like to use. ```python from BiasBuster import abroca from BiasBuster import predictive_equality from BiasBuster import predictive_parity from BiasBuster import equal_opportunity df = load_your_dataset X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3) clf = DecisionTreeClassifier(criterion="entropy", splitter="best") clf = clf.fit(X_train, y_train) X_test_advantaged = X_test[X_test['group'] == 1] y_test_advantaged = y_test[y_test['group'] == 1] X_test_disadv = X_test[X_test['group'] == 0] y_test_disadv =y_test[y_test['group'] == 0] abroca = abroca.calculate_abroca(clf,X_test_advantaged,y_test_advantaged, X_test_disadv, y_test_disadv) pe = predictive_equality.predictive_equality(clf,X_test_advantaged,y_test_advantaged, X_test_disadv, y_test_disadv) pp = predictive_parity.calculate_predictive_parity(clf,X_test_advantaged,y_test_advantaged, X_test_disadv, y_test_disadv) eo =equal_opportunity.calculate_equal_opportunity(clf,X_test_advantaged,y_test_advantaged, X_test_disadv, y_test_disadv) print(abroca) -0.005211848509902417 ``` # Interpretation The threshold to delineate biased from unbiased depends on the underlying data. However, typical thresholds lie between 0.01 and 0.05.

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl BiasBuster-0.0.4:

pip install BiasBuster-0.0.4.whl

نصب پکیج tar.gz BiasBuster-0.0.4:

pip install BiasBuster-0.0.4.tar.gz