Utilizando el featuredelegación como atributo protegido:
a. Selecciona 3 métricas adecuadas de acuerdo a los objetivos y acciones. Justifica.
b. Define cuál es tu grupo de referencia. Justifica.
c. Cuantifica el sesgo e inquedidad sobre los grupos de este atributo.
Se tiene que entregar:
[x] Las tablas de métricas obtenidas de la clase Group de Aequitas (conteos de frecuencias y absolutas)
[x] La visualización de tus 3 métricas seleccionadas con la salida de Group
[x] Las tablas de métricas obtenidas de la clase Bias de Aequitas (conteos de frecuencias y absolutas)
[x] La visualización de tus 3 métricas seleccionadas con la salida de Bias (disparidad)
[x] Las tablas de métricas obtenidas de la clase Fairness de Aequitas (conteos de frecuencias y absolutas)
[x] La visualización de tus 3 métricas seleccionadas con la salida de Fairness (equidad)
[ ] Interpretación de acuerdo con el último test.
Un script bias_fairness.py que tenga las siguientes funciones (revisa el notebook de aequitas):
[ ] load_selected_model(path): Recibe el path en donde se encuentra el pickle con el modelo seleccionado en la parte de selección de modelo.
[ ] group(df): Recibe el data frame que tiene los features sobre los que queremos medir el sesgo entre los diferentes grupos.
[ ] bias(df): Recibe el data frame que tiene los features sobre los que queremos medir la disparidad
[ ] fairness(df): Recibe el data frame que tiene los features sobre los que queremos medir la equidad
delegacióncomo atributo protegido: a. Selecciona 3 métricas adecuadas de acuerdo a los objetivos y acciones. Justifica. b. Define cuál es tu grupo de referencia. Justifica. c. Cuantifica el sesgo e inquedidad sobre los grupos de este atributo.Se tiene que entregar:
[x] Las tablas de métricas obtenidas de la clase Group de Aequitas (conteos de frecuencias y absolutas)
[x] La visualización de tus 3 métricas seleccionadas con la salida de Group
[x] Las tablas de métricas obtenidas de la clase Bias de Aequitas (conteos de frecuencias y absolutas)
[x] La visualización de tus 3 métricas seleccionadas con la salida de Bias (disparidad)
[x] Las tablas de métricas obtenidas de la clase Fairness de Aequitas (conteos de frecuencias y absolutas)
[x] La visualización de tus 3 métricas seleccionadas con la salida de Fairness (equidad)
[ ] Interpretación de acuerdo con el último test.
Un script bias_fairness.py que tenga las siguientes funciones (revisa el notebook de aequitas):
[ ] load_selected_model(path): Recibe el path en donde se encuentra el pickle con el modelo seleccionado en la parte de selección de modelo.
[ ] group(df): Recibe el data frame que tiene los features sobre los que queremos medir el sesgo entre los diferentes grupos.
[ ] bias(df): Recibe el data frame que tiene los features sobre los que queremos medir la disparidad
[ ] fairness(df): Recibe el data frame que tiene los features sobre los que queremos medir la equidad