#104 · 主分类: MLOps与评测

AIF360

ai artificial-intelligence bias bias-correction bias-detection bias-finder bias-reduction codait deep-learning discrimination fairness fairness-ai fairness-awareness-model fairness-testing ibm-research ibm-research-ai machine-learning python r trusted-ai

一套全面的公平性指标,用于数据集和机器学习模型,包含指标解释和缓解偏见算法。

项目最后更新:06/15/26

GitHub Stars

2.9K

Forks数量

912

贡献者数量

75

许可证

Apache-2.0

收录理由

当模型要进入金融、医疗、招聘或教育领域时,仅凭准确率很难判断它是否适合上线。AIF360 专门处理公平性这一环,它提供针对数据集和模型预测的群体公平性与个体公平性指标,并配套一批研究级别的偏见缓解算法。缓解工作覆盖了整个流程:你可以事先清洗训练数据、在训练过程中约束模型,或在预测后调整结果,具体取决于偏见出现在哪个环节。这个库设计上便于扩展,团队可以将其嵌入自己的评测流程,而不是把它当作一次性的审计工具。Python 和 R 两种接口、可运行的示例笔记本,以及关于如何选择合适指标或算法的指南,让数据科学家无需离开惯常的工作环境,就能从测量偏见走到修复偏见。

相关文章

暂无针对该项目的文章。

如需补充新闻资讯、使用教程、应用测评等内容,欢迎 联系我们推荐选题或投稿。

同类热门项目