:orphan:

|rss_image|  **éthique - 1/1** :ref:`Blog <ap-main-0>` :ref:`article (8) <ap-cat-article-0>` :ref:`articles (3) <ap-cat-articles-0>` :ref:`cours (6) <ap-cat-cours-0>` :ref:`module (7) <ap-cat-module-0>` :ref:`paper (3) <ap-cat-paper-0>`

.. |rss_image| image:: feed-icon-16x16.png
    :target: ../_downloads/rss.xml
    :alt: RSS

----


.. index:: éthique


.. _ap-cat-ethique-0:

éthique - 1/1
+++++++++++++

.. blogpostagg::
    :title: Fairness - fairlearn - classification
    :date: 2018-10-24
    :keywords: classification,éthique
    :categories: éthique
    :rawfile: 2018/2018-10-24_fair.rst

    Je suis tombé sur ce module
    `fairlearn <https://github.com/Microsoft/fairlearn>`_
    qui s'appuie sur l'article
    `A Reductions Approach to Fair Classification <https://arxiv.org/pdf/1803.02453.pdf>`_.
    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.





----

|rss_image|  **éthique - 1/1** :ref:`2022-10 (1) <ap-month-2022-10-0>` :ref:`2022-12 (2) <ap-month-2022-12-0>` :ref:`2023-01 (1) <ap-month-2023-01-0>` :ref:`2023-02 (1) <ap-month-2023-02-0>` :ref:`2023-04 (1) <ap-month-2023-04-0>`