我想使用AIF360計算群體公平性指標(biāo)。這是一個示例數(shù)據(jù)集和模型，其中性別是受保護的屬性，收入是目標(biāo)。import pandas as pdfrom sklearn.svm import SVCfrom aif360.sklearn import metricsdf = pd.DataFrame({'gender': [0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1], 'experience': [0, 0.1, 0.2, 0.4, 0.5, 0.6, 0, 0.1, 0.2, 0.4, 0.5, 0.6], 'income': [0, 0, 0, 0, 1, 1, 0, 1, 0, 1, 1, 1]})clf = SVC(random_state=0).fit(df[['gender', 'experience']], df['income'])y_pred = clf.predict(df[['gender', 'experience']])metrics.statistical_parity_difference(y_true=df['income'], y_pred=y_pred, prot_attr='gender', priv_group=1, pos_label=1)它拋出：---------------------------------------------------------------------------TypeError Traceback (most recent call last)<ipython-input-7-609692e52b2a> in <module> 11 y_pred = clf.predict(X) 12 ---> 13 metrics.statistical_parity_difference(y_true=df['income'], y_pred=y_pred, prot_attr='gender', priv_group=1, pos_label=1)TypeError: statistical_parity_difference() got an unexpected keyword argument 'y_true'類似的錯誤disparate_impact_ratio。似乎數(shù)據(jù)需要以不同的方式輸入，但我一直無法弄清楚如何輸入。
3 回答
慕娘9325324
TA貢獻1783條經(jīng)驗 獲得超4個贊
這可以通過將數(shù)據(jù)轉(zhuǎn)換為 aStandardDataset然后調(diào)用fair_metrics以下函數(shù)來完成：
from aif360.datasets import StandardDataset
from aif360.metrics import BinaryLabelDatasetMetric, ClassificationMetric
dataset = StandardDataset(df,?
? ? ? ? ? ? ? ? ? ? ? ? ? label_name='income',?
? ? ? ? ? ? ? ? ? ? ? ? ? favorable_classes=[1],?
? ? ? ? ? ? ? ? ? ? ? ? ? protected_attribute_names=['gender'],?
? ? ? ? ? ? ? ? ? ? ? ? ? privileged_classes=[[1]])
def fair_metrics(dataset, y_pred):
? ? dataset_pred = dataset.copy()
? ? dataset_pred.labels = y_pred
? ? ? ??
? ? attr = dataset_pred.protected_attribute_names[0]
? ??
? ? idx = dataset_pred.protected_attribute_names.index(attr)
? ? privileged_groups =? [{attr:dataset_pred.privileged_protected_attributes[idx][0]}]?
? ? unprivileged_groups = [{attr:dataset_pred.unprivileged_protected_attributes[idx][0]}]?
? ? classified_metric = ClassificationMetric(dataset, dataset_pred, unprivileged_groups=unprivileged_groups, privileged_groups=privileged_groups)
? ? metric_pred = BinaryLabelDatasetMetric(dataset_pred, unprivileged_groups=unprivileged_groups, privileged_groups=privileged_groups)
? ? result = {'statistical_parity_difference': metric_pred.statistical_parity_difference(),
? ? ? ? ? ? ?'disparate_impact': metric_pred.disparate_impact(),
? ? ? ? ? ? ?'equal_opportunity_difference': classified_metric.equal_opportunity_difference()}
? ? ? ??
? ? return result
fair_metrics(dataset, y_pred)
它返回正確的結(jié)果（圖像參考）：
{'statistical_parity_difference': -0.6666666666666667,
?'disparate_impact': 0.3333333333333333,
?'equal_opportunity_difference': 0.0}
Qyouu
TA貢獻1786條經(jīng)驗 獲得超11個贊
哆啦的時光機
TA貢獻1779條經(jīng)驗 獲得超6個贊
我有同樣的問題。y_pred_default是數(shù)組類型，整個數(shù)據(jù)集是Dataframe。但是，如果將 y_pred_default 轉(zhuǎn)換為數(shù)據(jù)幀，您將丟失值的順序，因此它將向新數(shù)據(jù)集顯示 nan 值。所以我將數(shù)據(jù)集轉(zhuǎn)換為 numpy 數(shù)組，然后與 y_pred_default 數(shù)組連接并轉(zhuǎn)換為數(shù)據(jù)幀。此外，您還必須首先更改列名稱，因為現(xiàn)在有數(shù)字。通過這樣做，你就得到了你想要的。包含 x 值和相應(yīng) y 預(yù)測值的數(shù)據(jù)框，用于計算 spd 指標(biāo)。
添加回答
舉報
0/150
提交
取消