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

Fairness-aware machine learning: algorithms, comparisons, benchmarking

ویژگی	مقدار
سیستم عامل	-
نام فایل	fairness-0.1.8
نام	fairness
نسخه کتابخانه	0.1.8
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	See Authors.txt
ایمیل نویسنده	fairness@haverford.edu
آدرس صفحه اصلی	https://github.com/algofairness/fairness-comparison
آدرس اینترنتی	https://pypi.org/project/fairness/
مجوز	Apache 2.0

This repository is meant to facilitate the benchmarking of fairness aware machine learning algorithms. The associated paper is: A comparative study of fairness-enhancing interventions in machine learning by Sorelle A. Friedler, Carlos Scheidegger, Suresh Venkatasubramanian, Sonam Choudhary, Evan P. Hamilton, and Derek Roth. https://arxiv.org/abs/1802.04422 To install this software run: $ pip3 install fairness The below instructions are still in the process of being updated to work with the new pip install-able version. To run the benchmarks: $ from fairness.benchmark import run $ run() This will write out metrics for each dataset to the results/ directory. To generate graphs and other analysis run: $ python3 analysis.py If you do not yet have all the packages installed, you may need to run: $ pip install -r requirements.txt *Optional*: The benchmarks rely on preprocessed versions of the datasets that have been included in the repository. If you would like to regenerate this preprocessing, run the below command before running the benchmark script: $ python3 preprocess.py To add new datasets or algorithms, see the instructions in the readme files in those directories. ## OS-specific things ### On Ubuntu (We tested on Ubuntu 16.04, your mileage may vary) You'll need `python3-dev`: $ sudo apt-get install python3-dev ### Additional analysis-specific requirements To regenerate figures (this is messy right now. we're working on it) Python requirements (use pip): * `ggplot` System requirements: * `pandoc` (`brew install pandoc` on a Mac or `apt-get install pandoc` on Linux) * R (Mac download link: https://cran.rstudio.com/bin/macosx/R-3.4.3.pkg) R package requirements (use `install.packages`): * `rmarkdown` * `stringr` * `ggplot2` * `dplyr` * `magrittr` * `corrplot` * `robust`

نیازمندی

مقدار	نام
>=0.1.26ggplot	BlackBoxAuditing
-	fire
>=0.21.1	pandas
>=2.1.4	pyparsing
>=2.6.0	python-dateutil
-	pytz
>=0.18.1	scikit-learn
>=0.19.0	scipy
>=1.10.0	six
>=0.29.0	wheel

نحوه نصب

نصب پکیج whl fairness-0.1.8:

pip install fairness-0.1.8.whl

نصب پکیج tar.gz fairness-0.1.8:

pip install fairness-0.1.8.tar.gz