Kuiz berkaitan panduan · Keras Tahap
Metrik Kesaksamaan AI: Pariti Demografi kepada Kuiz Odds Disamaratakan
Menguji pariti demografi, peluang yang sama dan kemungkinan yang sama dengan contoh pinjaman yang dikerjakan, keputusan kemustahilan dan alatan Fairlearn dan AIF360.
soalan 1 daripada 8
Dalam contoh pinjaman panduan, kumpulan A mempunyai kadar pemilihan 40% dan kumpulan B mempunyai kadar pemilihan 20%. Metrik manakah yang dilanggar ini?
Pratonton setiap soalan8 soalan
Jawapan dan penjelasan muncul semasa anda mengambil kuiz.
- Dalam contoh pinjaman panduan, kumpulan A mempunyai kadar pemilihan 40% dan kumpulan B mempunyai kadar pemilihan 20%. Metrik manakah yang dilanggar ini?
- Peluang sama rata
- pariti demografi
- Penentukuran
- Keadilan individu
- Peluang sama rata memerlukan kuantiti yang sama antara kumpulan?
- Kadar positif palsu
- Kadar pemilihan
- Kadar positif sebenar
- Nilai ramalan positif
- Apakah kemungkinan yang disamakan ditambah di atas peluang yang sama?
- Kadar positif palsu yang sama
- Kadar pemilihan yang sama
- Saiz kumpulan yang sama
- Kadar asas yang sama
- Dalam contoh, kadar positif palsu kumpulan B ialah 6 daripada 80. Mengapakah penyebutnya 80?
- Ia adalah bilangan pemohon yang diluluskan
- Ia adalah jumlah penduduk kedua-dua kumpulan
- Ia adalah 100 tolak 20 pemohon yang diluluskan
- Ia adalah bilangan pemohon kumpulan B yang tidak akan membayar balik
- Apakah hasil kemustahilan daripada Chouldechova dan Kleinberg et al. katakan?
- Tiada model boleh tepat untuk lebih daripada satu kumpulan
- Apabila kadar asas berbeza, pengelas yang tidak sempurna tidak dapat memenuhi pariti ramalan atau penentukuran bersama-sama dengan kadar positif palsu dan negatif palsu yang sama
- Pariti demografi sentiasa membayangkan kemungkinan yang sama
- Metrik kesaksamaan hanya digunakan pada model linear
- Mengapakah mengalih keluar atribut yang dilindungi daripada input tidak menjamin keadilan?
- Model sentiasa menambah atribut kembali secara automatik
- Undang-undang memerlukan atribut untuk disertakan
- Proksi berkorelasi seperti kod zip boleh membawa maklumat yang sama
- Mengalih keluar ciri sentiasa merendahkan ketepatan kepada sifar
- Teknik manakah yang memilih ambang khusus kumpulan, kadangkala rawak, untuk menyamakan kadar positif benar dan palsu?
- Pemprosesan pasca Hardt et al., tersedia sebagai ThresholdOptimizer Fairlearn
- AIF360 Menimbang semula
- Pengaturan keciciran
- Analisis komponen utama
- Mengapakah metrik kesaksamaan harus dilaporkan dengan selang keyakinan dan untuk subkumpulan persimpangan?
- Kerana peraturan empat perlima memerlukan tepat tiga tempat perpuluhan
- Kerana kumpulan persimpangan sentiasa mempunyai kadar yang sama
- Kerana Fairlearn tidak boleh mengira anggaran mata
- Kerana kumpulan kecil membuat anggaran kadar bising, dan model boleh kelihatan adil pada atribut tunggal sambil gagal menggabungkannya