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

This library allow to compute global sensitivity indices in the context of fairness measurements.

ویژگی	مقدار
سیستم عامل	-
نام فایل	fairsense-0.0.1b0
نام	fairsense
نسخه کتابخانه	0.0.1b0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Thibaut BOISSIN, Alexandre LANGLADE
ایمیل نویسنده	thibaut.boissin@irt-saintexupery.com, alexandre.langlade@irt-saintexupery.com
آدرس صفحه اصلی	https://github.com/deel-ai/FairSense
آدرس اینترنتی	https://pypi.org/project/fairsense/
مجوز	MIT

<img src="docs/assets/banner_light.png#gh-light-mode-only" alt="logo fairsense" style="width:500px;"/> <img src="docs/assets/banner_dark.png#gh-dark-mode-only" alt="logo fairsense" style="width:500px;"/> FairSense =========== This library allow to compute global sensitivity indices in the context of fairness measurements. The paper `Fairness seen as Global Sensitivity Analysis` bridges the gap between global sensitivity analysis (GSA) and fairness. It states that for each sensitivity analysis, there is a fairness measure, and vice-versa. @misc{https://doi.org/10.48550/arxiv.2103.04613, doi = {10.48550/ARXIV.2103.04613}, url = {https://arxiv.org/abs/2103.04613}, author = {Bénesse, Clément and Gamboa, Fabrice and Loubes, Jean-Michel and Boissin, Thibaut}, keywords = {Statistics Theory (math.ST), Methodology (stat.ME), FOS: Mathematics, FOS: Mathematics, FOS: Computer and information sciences, FOS: Computer and information sciences}, title = {Fairness seen as Global Sensitivity Analysis}, This library is a toolbox which ease the computation of fairness and GSA indices. The problem ---------- Each index has it's characteristics: some can be applied on continuous variables and some cannot. Some can handle regression problems and some handle classification problems. Some can handle variable groups and some cannot. Finally some can only be applied on the predictions of a model while some can be applied on the error made by the model. The objective is then to provide a tool to investigate the fairness of an ML problem by computing the GSA indices while avoiding the aforementioned issues. The strategy ------------ The library allows to formulate a fairness problem which is stated as following: - a dataset describing the training distribution - a model which can be a function or a machine learning model - a fairness objective which indicate what should be studied : one can study the intrinsic bias of a dataset, or the bias of the model or the bias of the model's errors These elements are encapsulated in an object called `IndicesInput`. Then it becomes possible to compute GSA indices (in a interchangeable way) using the functions provided in `fairsense.indices`. These functions output `IndicesOutput` objects that encapsulate the values of the indices. These results can finally be visualized with the functions available in the `fairsense.visualization` module. install fairsense ------------------- ### for users ```bash pip install fairsense ``` ### for developpers After cloning the repository ```bash pip install -e .[dev] ``` to clean code, at the root of the lib: ```bash black . ``` ### for docs ```bash pip install -e .[docs] ``` build rst files, in the docs folder: ```bash sphinx-apidoc ..\libfairness -o source ``` the generate html docs: ```bash make html ``` Warning: the library must be installed to generate the doc.

نیازمندی

مقدار	نام
-	numpy
-	pandas
-	matplotlib
-	scikit-learn
-	seaborn
-	tqdm
-	numpy
-	pandas
-	matplotlib
-	scikit-learn
-	seaborn
-	tqdm
-	setuptools
-	pre-commit
-	tox
-	black
-	flake8
-	flake8-black
-	pytest
-	pylint
-	bump2version
-	mkdocs
-	mkdocs-material
-	mkdocstrings[python]
-	mknotebooks
-	ipython
-	setuptools
-	pre-commit
-	tox
-	black
-	flake8
-	flake8-black
-	pytest
-	pylint
-	bump2version
-	mkdocs
-	mkdocs-material
-	mkdocstrings[python]
-	mknotebooks
-	ipython

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl fairsense-0.0.1b0:

pip install fairsense-0.0.1b0.whl

نصب پکیج tar.gz fairsense-0.0.1b0:

pip install fairsense-0.0.1b0.tar.gz