.. blogpost:: :title: Fairness - fairlearn - classification :keywords: classification, éthique :date: 2018-10-24 :categories: éthique :lid: blog-ethique-fairlearn Je suis tombé sur ce module `fairlearn `_ qui s'appuie sur l'article `A Reductions Approach to Fair Classification `_. L'article définit mathématiquement l'aspect éthique qu'il souhaite vérifier dans des modèles de machine learning dédiés à la classification. L'article commence par définir le triplet *(X,A,Y)* où *A* est l'ensemble des attributs protégés, *X* l'ensemble des variables, *Y* la chose à prédire. On note *h(X)* la prédiction du classifieur binaire. L'article définit ensuite la *parité* :math:`\pr{h(X) = \hat{y} | A = a} = \pr{h(X) = \hat{y}} \; \forall a, \hat{y} \in \{0, 1\}`, puis l'égalité des chances : :math:`\pr{h(X) = \hat{y} | A = a, Y = y} = \pr{h(X) = \hat{y} | Y = y}`. L'article propose une façon d'apprendre un modèle respectant ces contraintes qui s'expriment sous la forme d'un ensemble de contraintes linéaires.