Pandas DataFrame to Fairness Indicators กรณีศึกษา

ดูบน TensorFlow.org ทำงานใน Google Colab ดูบน GitHub ดาวน์โหลดโน๊ตบุ๊ค

ภาพรวมกรณีศึกษา

ในกรณีศึกษานี้เราจะใช้ TensorFlow รูปแบบการวิเคราะห์ และ ความเป็นธรรมตัวชี้วัด ในการประเมินข้อมูลที่เก็บไว้เป็นนุ่น DataFrame ที่แต่ละแถวมีป้ายชื่อจริงพื้นดินคุณสมบัติต่างๆและการทำนายรูปแบบ เราจะแสดงให้เห็นว่าเวิร์กโฟลว์นี้สามารถนำมาใช้เพื่อระบุข้อกังวลด้านความเป็นธรรมที่อาจเกิดขึ้นได้อย่างไร โดยไม่ขึ้นกับกรอบการทำงานที่ใช้ในการสร้างและฝึกอบรมแบบจำลอง ในกรณีศึกษานี้ เราสามารถวิเคราะห์ผลลัพธ์จากเฟรมเวิร์กการเรียนรู้ของเครื่องใดๆ (เช่น TensorFlow, JAX ฯลฯ) เมื่อมันถูกแปลงเป็น Pandas DataFrame

สำหรับการออกกำลังกายนี้เราจะยกระดับความลึกโครงข่ายประสาทเทียม (DNN) รูปแบบที่ได้รับการพัฒนาใน ข้อ จำกัด รูปร่างจริยธรรมกับ Tensorflow Lattice กรณีศึกษาโดยใช้ชุดข้อมูลที่รับเข้าเรียนโรงเรียนกฎหมายจากการรับสมัครโรงเรียนกฎหมายสภา (LSAC) ลักษณนามนี้พยายามที่จะทำนายว่านักเรียนจะผ่านเกณฑ์หรือไม่ โดยพิจารณาจากคะแนนการทดสอบการรับเข้าศึกษาในโรงเรียนกฎหมาย (LSAT) และเกรดเฉลี่ยในระดับปริญญาตรี ลักษณนามนี้พยายามที่จะทำนายว่านักเรียนจะผ่านเกณฑ์หรือไม่ โดยพิจารณาจากคะแนน LSAT และเกรดเฉลี่ยในระดับปริญญาตรี

ชุดข้อมูล LSAC

ชุดที่ใช้ในกรณีศึกษานี้ถูกเก็บรวบรวมมาเพื่อการศึกษาที่เรียกว่า ' LSAC แห่งชาติระยะยาวบาร์ศึกษา Passage LSAC วิจัยรายงานซีรีส์ 'โดยลินดาไวท์แมนในปี 1998 ชุดข้อมูลที่จะเป็นเจ้าภาพในปัจจุบัน ที่นี่

  • dnn_bar_pass_prediction: ทำนายโหลดจากรูปแบบ DNN
  • เพศ: เพศของนักเรียน
  • lsat: โหลดคะแนนที่ได้รับจากนักเรียน
  • pass_bar: พื้นฉลากจริงแสดงให้เห็นหรือไม่ว่านักเรียนในที่สุดก็ผ่านบาร์
  • การแข่งขัน: การแข่งขันของนักเรียน
  • ugpa: นักศึกษาระดับปริญญาตรีเกรดเฉลี่ย
!pip install -q -U pip==20.2

!pip install -q -U \
  tensorflow-model-analysis==0.30.0 \
  tensorflow-data-validation==0.30.0 \
  tfx-bsl==0.30.0

การนำเข้าแพ็คเกจที่จำเป็น:

import os
import tempfile
import pandas as pd
import six.moves.urllib as urllib
import pprint

import tensorflow_model_analysis as tfma
from google.protobuf import text_format

import tensorflow as tf
tf.compat.v1.enable_v2_behavior()

ดาวน์โหลดข้อมูลและสำรวจชุดข้อมูลเริ่มต้น

# Download the LSAT dataset and setup the required filepaths.
_DATA_ROOT = tempfile.mkdtemp(prefix='lsat-data')
_DATA_PATH = 'https://storage.googleapis.com/lawschool_dataset/bar_pass_prediction.csv'
_DATA_FILEPATH = os.path.join(_DATA_ROOT, 'bar_pass_prediction.csv')

data = urllib.request.urlopen(_DATA_PATH)

_LSAT_DF = pd.read_csv(data)

# To simpliy the case study, we will only use the columns that will be used for
# our model.
_COLUMN_NAMES = [
  'dnn_bar_pass_prediction',
  'gender',
  'lsat',
  'pass_bar',
  'race1',
  'ugpa',
]

_LSAT_DF.dropna()
_LSAT_DF['gender'] = _LSAT_DF['gender'].astype(str)
_LSAT_DF['race1'] = _LSAT_DF['race1'].astype(str)
_LSAT_DF = _LSAT_DF[_COLUMN_NAMES]

_LSAT_DF.head()

กำหนดค่าตัวบ่งชี้ความเป็นธรรม

มีพารามิเตอร์หลายอย่างที่คุณต้องพิจารณาเมื่อใช้ตัวบ่งชี้ความเป็นธรรมกับ DataFrame

  • DataFrame ที่คุณป้อนต้องมีคอลัมน์การทำนายและคอลัมน์ป้ายกำกับจากโมเดลของคุณ โดยค่าเริ่มต้นความเป็นธรรมชี้วัดจะมองหาคอลัมน์ทำนายเรียกว่า prediction และคอลัมน์ฉลากที่เรียกว่า label ภายใน DataFrame ของคุณ

    • หากไม่พบค่าใดค่าหนึ่งเหล่านี้ KeyError จะปรากฏขึ้น

  • นอกจากนี้ในการ DataFrame คุณยังจะต้องมี eval_config ว่าควรจะรวมถึงตัวชี้วัดในการคำนวณชิ้นในการคำนวณตัวชี้วัดและชื่อคอลัมน์ป้ายตัวอย่างและการคาดการณ์

    • metrics_specs จะกำหนดตัวชี้วัดในการคำนวณ FairnessIndicators ตัวชี้วัดจะต้องแสดงผลตัวชี้วัดความเป็นธรรมและคุณสามารถดูรายชื่อของตัวชี้วัดที่เป็นตัวเลือกเพิ่มเติม ที่นี่

    • slicing_specs เป็นตัวแปรที่หั่นตัวเลือกที่จะระบุสิ่งที่มีคุณสนใจในการสืบสวน ภายในกรณีศึกษานี้ใช้ race1 อย่างไรก็ตาม คุณสามารถตั้งค่านี้เป็นคุณลักษณะอื่นได้ (เช่น เพศในบริบทของ DataFrame นี้) หาก slicing_specs ไม่ให้คุณสมบัติทั้งหมดจะถูกรวม

    • หาก DataFrame ของคุณมีฉลากหรือการทำนายคอลัมน์ที่แตกต่างจากค่าเริ่มต้น prediction หรือ label คุณสามารถกำหนดค่า label_key และ prediction_key ให้เป็นค่าใหม่

  • หาก output_path ไม่ได้ระบุไดเรกทอรีชั่วคราวจะถูกสร้างขึ้น

# Specify Fairness Indicators in eval_config.
eval_config = text_format.Parse("""
  model_specs {
    prediction_key: 'dnn_bar_pass_prediction',
    label_key: 'pass_bar'
  }
  metrics_specs {
    metrics {class_name: "AUC"}
    metrics {
      class_name: "FairnessIndicators"
      config: '{"thresholds": [0.50, 0.90]}'
    }
  }
  slicing_specs {
    feature_keys: 'race1'
  }
  slicing_specs {}
  """, tfma.EvalConfig())

# Run TensorFlow Model Analysis.
eval_result = tfma.analyze_raw_data(
  data=_LSAT_DF,
  eval_config=eval_config,
  output_path=_DATA_ROOT)

WARNING:apache_beam.runners.interactive.interactive_environment:Dependencies required for Interactive Beam PCollection visualization are not available, please use: `pip install apache-beam[interactive]` to install necessary dependencies to enable all data visualization features.
WARNING:apache_beam.io.tfrecordio:Couldn't find python-snappy so the implementation of _TFRecordUtil._masked_crc32c is not as fast as it could be.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_model_analysis/writers/metrics_plots_and_validations_writer.py:113: tf_record_iterator (from tensorflow.python.lib.io.tf_record) is deprecated and will be removed in a future version.
Instructions for updating:
Use eager execution and: 
`tf.data.TFRecordDataset(path)`
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_model_analysis/writers/metrics_plots_and_validations_writer.py:113: tf_record_iterator (from tensorflow.python.lib.io.tf_record) is deprecated and will be removed in a future version.
Instructions for updating:
Use eager execution and: 
`tf.data.TFRecordDataset(path)`

สำรวจประสิทธิภาพของแบบจำลองด้วยตัวบ่งชี้ความเป็นธรรม

หลังจากเรียกใช้ตัวบ่งชี้ความเป็นธรรม เราจะเห็นภาพเมตริกต่างๆ ที่เราเลือกเพื่อวิเคราะห์ประสิทธิภาพของแบบจำลองของเรา ในกรณีศึกษานี้ เราได้รวมตัวบ่งชี้ความเป็นธรรมและเลือก AUC โดยพลการ

เมื่อเราดูที่ AUC โดยรวมสำหรับแต่ละส่วนการแข่งขัน เราจะเห็นความคลาดเคลื่อนเล็กน้อยในประสิทธิภาพของแบบจำลอง แต่ไม่มีสิ่งใดที่น่าตกใจพอสมควร

  • เอเชีย: 0.58
  • สีดำ: 0.58
  • สเปนและโปรตุเกส: 0.58
  • อื่น ๆ : 0.64
  • สีขาว: 0.6

อย่างไรก็ตาม เมื่อเราดูอัตราการติดลบเท็จที่แยกตามเชื้อชาติ แบบจำลองของเราคาดการณ์โอกาสที่ผู้ใช้จะผ่านบาร์ในอัตราที่ต่างกันอย่างไม่ถูกต้องอีกครั้ง และครั้งนี้ทำได้หลายครั้ง

  • เอเชีย: 0.01
  • สีดำ: 0.05
  • สเปนและโปรตุเกส: 0.02
  • อื่น ๆ : 0.01
  • สีขาว: 0.01

ความแตกต่างที่โดดเด่นที่สุดระหว่างนักเรียนขาวดำอยู่ที่ประมาณ 380% ซึ่งหมายความว่าแบบจำลองของเรามีแนวโน้มที่จะทำนายอย่างไม่ถูกต้องเกือบ 4 เท่าว่านักเรียนผิวดำจะไม่ผ่านบาร์ มากกว่านักเรียนผิวขาว หากเราต้องพยายามต่อไป ผู้ปฏิบัติงานสามารถใช้ผลลัพธ์เหล่านี้เป็นสัญญาณว่าพวกเขาควรใช้เวลามากขึ้นเพื่อให้มั่นใจว่าแบบจำลองของพวกเขาจะทำงานได้ดีสำหรับผู้คนจากทุกพื้นเพ

# Render Fairness Indicators.
tfma.addons.fairness.view.widget_view.render_fairness_indicator(eval_result)

FairnessIndicatorViewer(slicingMetrics=[{'sliceValue': 'Overall', 'slice': 'Overall', 'metrics': {'auc': {'dou…

tfma.EvalResult

eval_result วัตถุแสดงผลดังกล่าวข้างต้นใน render_fairness_indicator() มี API ของตัวเองที่สามารถนำมาใช้ในการอ่านผลการ Tfma เข้าไปในโปรแกรมของคุณ

get_slice_names() และ get_metric_names()

หากต้องการรับส่วนและเมตริกที่ประเมินแล้ว คุณสามารถใช้ฟังก์ชันที่เกี่ยวข้องได้

pp = pprint.PrettyPrinter()

print("Slices:")
pp.pprint(eval_result.get_slice_names())
print("\nMetrics:")
pp.pprint(eval_result.get_metric_names())

Slices:
[(),
 (('race1', 'white'),),
 (('race1', 'hisp'),),
 (('race1', 'asian'),),
 (('race1', 'black'),),
 (('race1', 'nan'),),
 (('race1', 'other'),)]

Metrics:
['fairness_indicators_metrics/negative_rate@0.9',
 'fairness_indicators_metrics/true_negative_rate@0.5',
 'fairness_indicators_metrics/false_positive_rate@0.9',
 'fairness_indicators_metrics/false_discovery_rate@0.9',
 'fairness_indicators_metrics/false_positive_rate@0.5',
 'auc',
 'fairness_indicators_metrics/false_discovery_rate@0.5',
 'fairness_indicators_metrics/false_omission_rate@0.9',
 'fairness_indicators_metrics/false_omission_rate@0.5',
 'fairness_indicators_metrics/true_positive_rate@0.5',
 'fairness_indicators_metrics/positive_rate@0.9',
 'fairness_indicators_metrics/false_negative_rate@0.9',
 'fairness_indicators_metrics/negative_rate@0.5',
 'fairness_indicators_metrics/true_positive_rate@0.9',
 'fairness_indicators_metrics/true_negative_rate@0.9',
 'fairness_indicators_metrics/false_negative_rate@0.5',
 'fairness_indicators_metrics/positive_rate@0.5']

get_metrics_for_slice() และ get_metrics_for_all_slices()

หากคุณต้องการที่จะได้รับตัวชี้วัดสำหรับชิ้นโดยเฉพาะอย่างยิ่งคุณสามารถใช้ get_metrics_for_slice() มันกลับทำแผนที่พจนานุกรมชื่อเมตริก ค่าเมตริก

baseline_slice = ()
black_slice = (('race1', 'black'),)

print("Baseline metric values:")
pp.pprint(eval_result.get_metrics_for_slice(baseline_slice))
print("Black metric values:")
pp.pprint(eval_result.get_metrics_for_slice(black_slice))

Baseline metric values:
{'auc': {'doubleValue': 0.6286112666130066},
 'fairness_indicators_metrics/false_discovery_rate@0.5': {'doubleValue': 0.052173524948674464},
 'fairness_indicators_metrics/false_discovery_rate@0.9': {'doubleValue': 0.0502241746297722},
 'fairness_indicators_metrics/false_negative_rate@0.5': {'doubleValue': 4.7085412939071474e-05},
 'fairness_indicators_metrics/false_negative_rate@0.9': {'doubleValue': 0.012524719841793012},
 'fairness_indicators_metrics/false_omission_rate@0.5': {'doubleValue': 1.0},
 'fairness_indicators_metrics/false_omission_rate@0.9': {'doubleValue': 0.8159509202453987},
 'fairness_indicators_metrics/false_positive_rate@0.5': {'doubleValue': 1.0},
 'fairness_indicators_metrics/false_positive_rate@0.9': {'doubleValue': 0.9486740804106074},
 'fairness_indicators_metrics/negative_rate@0.5': {'doubleValue': 4.462891060829205e-05},
 'fairness_indicators_metrics/negative_rate@0.9': {'doubleValue': 0.014549024858303209},
 'fairness_indicators_metrics/positive_rate@0.5': {'doubleValue': 0.9999553710893917},
 'fairness_indicators_metrics/positive_rate@0.9': {'doubleValue': 0.9854509751416968},
 'fairness_indicators_metrics/true_negative_rate@0.5': {'doubleValue': 0.0},
 'fairness_indicators_metrics/true_negative_rate@0.9': {'doubleValue': 0.05132591958939264},
 'fairness_indicators_metrics/true_positive_rate@0.5': {'doubleValue': 0.9999529145870609},
 'fairness_indicators_metrics/true_positive_rate@0.9': {'doubleValue': 0.987475280158207} }
Black metric values:
{'auc': {'doubleValue': 0.5779293775558472},
 'fairness_indicators_metrics/false_discovery_rate@0.5': {'doubleValue': 0.22189128816083395},
 'fairness_indicators_metrics/false_discovery_rate@0.9': {'doubleValue': 0.21048451151707703},
 'fairness_indicators_metrics/false_negative_rate@0.5': {'doubleValue': 0.0},
 'fairness_indicators_metrics/false_negative_rate@0.9': {'doubleValue': 0.04880382775119617},
 'fairness_indicators_metrics/false_omission_rate@0.5': {'doubleValue': 'NaN'},
 'fairness_indicators_metrics/false_omission_rate@0.9': {'doubleValue': 0.6071428571428571},
 'fairness_indicators_metrics/false_positive_rate@0.5': {'doubleValue': 1.0},
 'fairness_indicators_metrics/false_positive_rate@0.9': {'doubleValue': 0.889261744966443},
 'fairness_indicators_metrics/negative_rate@0.5': {'doubleValue': 0.0},
 'fairness_indicators_metrics/negative_rate@0.9': {'doubleValue': 0.06254653760238273},
 'fairness_indicators_metrics/positive_rate@0.5': {'doubleValue': 1.0},
 'fairness_indicators_metrics/positive_rate@0.9': {'doubleValue': 0.9374534623976173},
 'fairness_indicators_metrics/true_negative_rate@0.5': {'doubleValue': 0.0},
 'fairness_indicators_metrics/true_negative_rate@0.9': {'doubleValue': 0.11073825503355705},
 'fairness_indicators_metrics/true_positive_rate@0.5': {'doubleValue': 1.0},
 'fairness_indicators_metrics/true_positive_rate@0.9': {'doubleValue': 0.9511961722488038} }

หากคุณต้องการที่จะได้รับตัวชี้วัดสำหรับชิ้นทุก get_metrics_for_all_slices() ผลตอบแทนการทำแผนที่พจนานุกรมแต่ละชิ้นจะสอดคล้องกัน get_metrics_for_slices(slice)

pp.pprint(eval_result.get_metrics_for_all_slices())

{(): {'auc': {'doubleValue': 0.6286112666130066},
      'fairness_indicators_metrics/false_discovery_rate@0.5': {'doubleValue': 0.052173524948674464},
      'fairness_indicators_metrics/false_discovery_rate@0.9': {'doubleValue': 0.0502241746297722},
      'fairness_indicators_metrics/false_negative_rate@0.5': {'doubleValue': 4.7085412939071474e-05},
      'fairness_indicators_metrics/false_negative_rate@0.9': {'doubleValue': 0.012524719841793012},
      'fairness_indicators_metrics/false_omission_rate@0.5': {'doubleValue': 1.0},
      'fairness_indicators_metrics/false_omission_rate@0.9': {'doubleValue': 0.8159509202453987},
      'fairness_indicators_metrics/false_positive_rate@0.5': {'doubleValue': 1.0},
      'fairness_indicators_metrics/false_positive_rate@0.9': {'doubleValue': 0.9486740804106074},
      'fairness_indicators_metrics/negative_rate@0.5': {'doubleValue': 4.462891060829205e-05},
      'fairness_indicators_metrics/negative_rate@0.9': {'doubleValue': 0.014549024858303209},
      'fairness_indicators_metrics/positive_rate@0.5': {'doubleValue': 0.9999553710893917},
      'fairness_indicators_metrics/positive_rate@0.9': {'doubleValue': 0.9854509751416968},
      'fairness_indicators_metrics/true_negative_rate@0.5': {'doubleValue': 0.0},
      'fairness_indicators_metrics/true_negative_rate@0.9': {'doubleValue': 0.05132591958939264},
      'fairness_indicators_metrics/true_positive_rate@0.5': {'doubleValue': 0.9999529145870609},
      'fairness_indicators_metrics/true_positive_rate@0.9': {'doubleValue': 0.987475280158207} },
 (('race1', 'asian'),): {'auc': {'doubleValue': 0.5817844271659851},
                         'fairness_indicators_metrics/false_discovery_rate@0.5': {'doubleValue': 0.07803790412486064},
                         'fairness_indicators_metrics/false_discovery_rate@0.9': {'doubleValue': 0.07674943566591422},
                         'fairness_indicators_metrics/false_negative_rate@0.5': {'doubleValue': 0.0},
                         'fairness_indicators_metrics/false_negative_rate@0.9': {'doubleValue': 0.010882708585247884},
                         'fairness_indicators_metrics/false_omission_rate@0.5': {'doubleValue': 'NaN'},
                         'fairness_indicators_metrics/false_omission_rate@0.9': {'doubleValue': 0.8181818181818182},
                         'fairness_indicators_metrics/false_positive_rate@0.5': {'doubleValue': 1.0},
                         'fairness_indicators_metrics/false_positive_rate@0.9': {'doubleValue': 0.9714285714285714},
                         'fairness_indicators_metrics/negative_rate@0.5': {'doubleValue': 0.0},
                         'fairness_indicators_metrics/negative_rate@0.9': {'doubleValue': 0.012263099219620958},
                         'fairness_indicators_metrics/positive_rate@0.5': {'doubleValue': 1.0},
                         'fairness_indicators_metrics/positive_rate@0.9': {'doubleValue': 0.987736900780379},
                         'fairness_indicators_metrics/true_negative_rate@0.5': {'doubleValue': 0.0},
                         'fairness_indicators_metrics/true_negative_rate@0.9': {'doubleValue': 0.02857142857142857},
                         'fairness_indicators_metrics/true_positive_rate@0.5': {'doubleValue': 1.0},
                         'fairness_indicators_metrics/true_positive_rate@0.9': {'doubleValue': 0.9891172914147521} },
 (('race1', 'black'),): {'auc': {'doubleValue': 0.5779293775558472},
                         'fairness_indicators_metrics/false_discovery_rate@0.5': {'doubleValue': 0.22189128816083395},
                         'fairness_indicators_metrics/false_discovery_rate@0.9': {'doubleValue': 0.21048451151707703},
                         'fairness_indicators_metrics/false_negative_rate@0.5': {'doubleValue': 0.0},
                         'fairness_indicators_metrics/false_negative_rate@0.9': {'doubleValue': 0.04880382775119617},
                         'fairness_indicators_metrics/false_omission_rate@0.5': {'doubleValue': 'NaN'},
                         'fairness_indicators_metrics/false_omission_rate@0.9': {'doubleValue': 0.6071428571428571},
                         'fairness_indicators_metrics/false_positive_rate@0.5': {'doubleValue': 1.0},
                         'fairness_indicators_metrics/false_positive_rate@0.9': {'doubleValue': 0.889261744966443},
                         'fairness_indicators_metrics/negative_rate@0.5': {'doubleValue': 0.0},
                         'fairness_indicators_metrics/negative_rate@0.9': {'doubleValue': 0.06254653760238273},
                         'fairness_indicators_metrics/positive_rate@0.5': {'doubleValue': 1.0},
                         'fairness_indicators_metrics/positive_rate@0.9': {'doubleValue': 0.9374534623976173},
                         'fairness_indicators_metrics/true_negative_rate@0.5': {'doubleValue': 0.0},
                         'fairness_indicators_metrics/true_negative_rate@0.9': {'doubleValue': 0.11073825503355705},
                         'fairness_indicators_metrics/true_positive_rate@0.5': {'doubleValue': 1.0},
                         'fairness_indicators_metrics/true_positive_rate@0.9': {'doubleValue': 0.9511961722488038} },
 (('race1', 'hisp'),): {'auc': {'doubleValue': 0.5754180550575256},
                        'fairness_indicators_metrics/false_discovery_rate@0.5': {'doubleValue': 0.124634858812074},
                        'fairness_indicators_metrics/false_discovery_rate@0.9': {'doubleValue': 0.12139303482587065},
                        'fairness_indicators_metrics/false_negative_rate@0.5': {'doubleValue': 0.0},
                        'fairness_indicators_metrics/false_negative_rate@0.9': {'doubleValue': 0.017797552836484983},
                        'fairness_indicators_metrics/false_omission_rate@0.5': {'doubleValue': 'NaN'},
                        'fairness_indicators_metrics/false_omission_rate@0.9': {'doubleValue': 0.7272727272727273},
                        'fairness_indicators_metrics/false_positive_rate@0.5': {'doubleValue': 1.0},
                        'fairness_indicators_metrics/false_positive_rate@0.9': {'doubleValue': 0.953125},
                        'fairness_indicators_metrics/negative_rate@0.5': {'doubleValue': 0.0},
                        'fairness_indicators_metrics/negative_rate@0.9': {'doubleValue': 0.021421616358325218},
                        'fairness_indicators_metrics/positive_rate@0.5': {'doubleValue': 1.0},
                        'fairness_indicators_metrics/positive_rate@0.9': {'doubleValue': 0.9785783836416748},
                        'fairness_indicators_metrics/true_negative_rate@0.5': {'doubleValue': 0.0},
                        'fairness_indicators_metrics/true_negative_rate@0.9': {'doubleValue': 0.046875},
                        'fairness_indicators_metrics/true_positive_rate@0.5': {'doubleValue': 1.0},
                        'fairness_indicators_metrics/true_positive_rate@0.9': {'doubleValue': 0.982202447163515} },
 (('race1', 'nan'),): {'auc': {'doubleValue': 0.7142857313156128},
                       'fairness_indicators_metrics/false_discovery_rate@0.5': {'doubleValue': 0.125},
                       'fairness_indicators_metrics/false_discovery_rate@0.9': {'doubleValue': 0.125},
                       'fairness_indicators_metrics/false_negative_rate@0.5': {'doubleValue': 0.0},
                       'fairness_indicators_metrics/false_negative_rate@0.9': {'doubleValue': 0.0},
                       'fairness_indicators_metrics/false_omission_rate@0.5': {'doubleValue': 'NaN'},
                       'fairness_indicators_metrics/false_omission_rate@0.9': {'doubleValue': 'NaN'},
                       'fairness_indicators_metrics/false_positive_rate@0.5': {'doubleValue': 1.0},
                       'fairness_indicators_metrics/false_positive_rate@0.9': {'doubleValue': 1.0},
                       'fairness_indicators_metrics/negative_rate@0.5': {'doubleValue': 0.0},
                       'fairness_indicators_metrics/negative_rate@0.9': {'doubleValue': 0.0},
                       'fairness_indicators_metrics/positive_rate@0.5': {'doubleValue': 1.0},
                       'fairness_indicators_metrics/positive_rate@0.9': {'doubleValue': 1.0},
                       'fairness_indicators_metrics/true_negative_rate@0.5': {'doubleValue': 0.0},
                       'fairness_indicators_metrics/true_negative_rate@0.9': {'doubleValue': 0.0},
                       'fairness_indicators_metrics/true_positive_rate@0.5': {'doubleValue': 1.0},
                       'fairness_indicators_metrics/true_positive_rate@0.9': {'doubleValue': 1.0} },
 (('race1', 'other'),): {'auc': {'doubleValue': 0.6389539241790771},
                         'fairness_indicators_metrics/false_discovery_rate@0.5': {'doubleValue': 0.10294117647058823},
                         'fairness_indicators_metrics/false_discovery_rate@0.9': {'doubleValue': 0.09523809523809523},
                         'fairness_indicators_metrics/false_negative_rate@0.5': {'doubleValue': 0.0},
                         'fairness_indicators_metrics/false_negative_rate@0.9': {'doubleValue': 0.01366120218579235},
                         'fairness_indicators_metrics/false_omission_rate@0.5': {'doubleValue': 'NaN'},
                         'fairness_indicators_metrics/false_omission_rate@0.9': {'doubleValue': 0.5555555555555556},
                         'fairness_indicators_metrics/false_positive_rate@0.5': {'doubleValue': 1.0},
                         'fairness_indicators_metrics/false_positive_rate@0.9': {'doubleValue': 0.9047619047619048},
                         'fairness_indicators_metrics/negative_rate@0.5': {'doubleValue': 0.0},
                         'fairness_indicators_metrics/negative_rate@0.9': {'doubleValue': 0.022058823529411766},
                         'fairness_indicators_metrics/positive_rate@0.5': {'doubleValue': 1.0},
                         'fairness_indicators_metrics/positive_rate@0.9': {'doubleValue': 0.9779411764705882},
                         'fairness_indicators_metrics/true_negative_rate@0.5': {'doubleValue': 0.0},
                         'fairness_indicators_metrics/true_negative_rate@0.9': {'doubleValue': 0.09523809523809523},
                         'fairness_indicators_metrics/true_positive_rate@0.5': {'doubleValue': 1.0},
                         'fairness_indicators_metrics/true_positive_rate@0.9': {'doubleValue': 0.9863387978142076} },
 (('race1', 'white'),): {'auc': {'doubleValue': 0.5987964272499084},
                         'fairness_indicators_metrics/false_discovery_rate@0.5': {'doubleValue': 0.03360940422121293},
                         'fairness_indicators_metrics/false_discovery_rate@0.9': {'doubleValue': 0.03316050982933679},
                         'fairness_indicators_metrics/false_negative_rate@0.5': {'doubleValue': 5.52883286338254e-05},
                         'fairness_indicators_metrics/false_negative_rate@0.9': {'doubleValue': 0.010228340797257698},
                         'fairness_indicators_metrics/false_omission_rate@0.5': {'doubleValue': 1.0},
                         'fairness_indicators_metrics/false_omission_rate@0.9': {'doubleValue': 0.925},
                         'fairness_indicators_metrics/false_positive_rate@0.5': {'doubleValue': 1.0},
                         'fairness_indicators_metrics/false_positive_rate@0.9': {'doubleValue': 0.9761526232114467},
                         'fairness_indicators_metrics/negative_rate@0.5': {'doubleValue': 5.3430220132506944e-05},
                         'fairness_indicators_metrics/negative_rate@0.9': {'doubleValue': 0.010686044026501388},
                         'fairness_indicators_metrics/positive_rate@0.5': {'doubleValue': 0.9999465697798675},
                         'fairness_indicators_metrics/positive_rate@0.9': {'doubleValue': 0.9893139559734986},
                         'fairness_indicators_metrics/true_negative_rate@0.5': {'doubleValue': 0.0},
                         'fairness_indicators_metrics/true_negative_rate@0.9': {'doubleValue': 0.02384737678855326},
                         'fairness_indicators_metrics/true_positive_rate@0.5': {'doubleValue': 0.9999447116713662},
                         'fairness_indicators_metrics/true_positive_rate@0.9': {'doubleValue': 0.9897716592027423} } }

บทสรุป

ภายในกรณีศึกษานี้ เรานำเข้าชุดข้อมูลไปยัง Pandas DataFrame ที่เราวิเคราะห์ด้วยตัวบ่งชี้ความเป็นธรรม การทำความเข้าใจผลลัพธ์ของแบบจำลองและข้อมูลพื้นฐานเป็นขั้นตอนสำคัญในการสร้างความมั่นใจว่าแบบจำลองของคุณจะไม่สะท้อนถึงความลำเอียงที่เป็นอันตราย ในบริบทของกรณีศึกษานี้ เราตรวจสอบชุดข้อมูล LSAC และการคาดคะเนจากข้อมูลนี้จะได้รับผลกระทบจากการแข่งขันของนักเรียนอย่างไร แนวคิดของ "สิ่งที่ไม่ยุติธรรมและสิ่งที่ยุติธรรมได้รับการแนะนำในหลายสาขาวิชามาเป็นเวลากว่า 50 ปีแล้ว รวมถึงในด้านการศึกษา การจ้างงาน และการเรียนรู้ด้วยเครื่อง" 1 ความเป็นธรรมดัชนีเป็นเครื่องมือในการกังวลช่วยลดความเป็นธรรมในการเรียนรู้แบบเครื่องของคุณ

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการใช้ตัวชี้วัดความเป็นธรรมและทรัพยากรที่จะเรียนรู้เพิ่มเติมเกี่ยวกับความกังวลความเป็นธรรมเห็น ที่นี่

  1. Hutchinson, B., Mitchell, M. (2018). 50 ปีแห่งการทดสอบ (ไม่) ยุติธรรม: บทเรียนสำหรับแมชชีนเลิร์นนิง https://arxiv.org/abs/1811.10104

ภาคผนวก

ด้านล่างนี้คือฟังก์ชันบางส่วนที่ช่วยแปลงโมเดล ML เป็น Pandas DataFrame

# TensorFlow Estimator to Pandas DataFrame:

# _X_VALUE =  # X value of binary estimator.
# _Y_VALUE =  # Y value of binary estimator.
# _GROUND_TRUTH_LABEL =  # Ground truth value of binary estimator.

def _get_predicted_probabilities(estimator, input_df, get_input_fn):
  predictions = estimator.predict(
      input_fn=get_input_fn(input_df=input_df, num_epochs=1))
  return [prediction['probabilities'][1] for prediction in predictions]

def _get_input_fn_law(input_df, num_epochs, batch_size=None):
  return tf.compat.v1.estimator.inputs.pandas_input_fn(
      x=input_df[[_X_VALUE, _Y_VALUE]],
      y=input_df[_GROUND_TRUTH_LABEL],
      num_epochs=num_epochs,
      batch_size=batch_size or len(input_df),
      shuffle=False)

def estimator_to_dataframe(estimator, input_df, num_keypoints=20):
  x = np.linspace(min(input_df[_X_VALUE]), max(input_df[_X_VALUE]), num_keypoints)
  y = np.linspace(min(input_df[_Y_VALUE]), max(input_df[_Y_VALUE]), num_keypoints)

  x_grid, y_grid = np.meshgrid(x, y)

  positions = np.vstack([x_grid.ravel(), y_grid.ravel()])
  plot_df = pd.DataFrame(positions.T, columns=[_X_VALUE, _Y_VALUE])
  plot_df[_GROUND_TRUTH_LABEL] = np.ones(len(plot_df))
  predictions = _get_predicted_probabilities(
      estimator=estimator, input_df=plot_df, get_input_fn=_get_input_fn_law)
  return pd.DataFrame(
      data=np.array(np.reshape(predictions, x_grid.shape)).flatten())