This paper presents an analysis of

This paper presents an analysis of a real-world dataset w.r.t. social discrimination. In particular, we studied discrimination-aware classification by testing on an actual dataset from Statistics Netherlands, which maintains demographic,economic, and crime information of all Dutch citizens. Our results show that using a standard discriminationignorant classifier exacerbates the discrimination problem by increasing the probability difference of being a crime suspect between people from minority and from non-minority groups. Furthermore, people from the minority groups are more likely to be incorrectly classified as a crime suspect when using such methods. These results highlight the importance of discrimination-aware classifiers in practice. Among the three discrimination-aware techniques evaluated, we find that modifying the decision threshold of a Naive Bayes classifier produces good discrimination control, and that data preprocessing methods (massaging and/or reweighing) reduce discrimination for both the Naive Bayes classifier and Decision Trees. For Decision Trees, however, the reduction in discrimination is much smaller and thus are not advocated for discrimination-aware decision making. Possible explanations are that the preprocessing methods use a different (a
Naive Bayes) classifier to rank the objects, or that Decision Trees already result in less discrimination. Investigating these explanations is an interesting direction for future work.
For the Naive Bayes classifier, there is a large reduction in discrimination and we therefore recommend using this classifier on this data.

ผลลัพธ์ (ไทย) 1:

เอกสารนี้นำเสนอการวิเคราะห์แบ่งแยกสังคม w.r.t. ชุดข้อมูลจริง โดยเฉพาะ เราเรียนแบ่งแยกตามประเภท โดยการทดสอบบนตัวชุดข้อมูลจริงจากประเทศเนเธอร์แลนด์สถิติ การรักษาประชากร เศรษฐกิจ และข้อมูลอาชญากรรมของประชาชนทั้งหมดดัตช์ ผลของเราแสดงว่า ใช้ classifier มาตรฐาน discriminationignorant exacerbates ปัญหาการเลือกปฏิบัติ โดยการเพิ่มความน่าเป็นผลต่างกำลังสงสัยอาชญากรรมระหว่างคน จากชนกลุ่มน้อย และชนกลุ่มน้อยไม่ใช่กลุ่ม นอกจากนี้ คนจากกลุ่มชนกลุ่มน้อยมีแนวโน้มที่จะถูกจัดประเภทเป็นผู้ต้องสงสัยอาชญากรรมเมื่อใช้วิธีการดังกล่าว ผลลัพธ์เหล่านี้เน้นความสำคัญของคำนามภาษาเลือกปฏิบัติตามในทางปฏิบัติ ระหว่างสามเลือกปฏิบัติตามเทคนิคประเมิน เราพบว่า ขีดจำกัดของการตัดสินใจของ classifier Naive Bayes ปรับเปลี่ยนสร้างควบคุมอย่างดี และว่า ข้อมูลที่ประมวลผลเบื้องต้นวิธี (นวด / reweighing) ลดการแบ่งแยก classifier Naive Bayes และต้นไม้ตัดสินใจ สำหรับต้นไม้การตัดสินใจ อย่างไรก็ตาม ลดการเลือกปฏิบัติมีขนาดเล็กมาก แล้วจึง มี advocated ที่การตัดสินใจเลือกปฏิบัติตาม มีคำอธิบายที่เป็นไปได้ที่ใช้วิธีการประมวลผลเบื้องต้นที่แตกต่างกัน (aClassifier naive Bayes) การจัดอันดับวัตถุ หรือต้นไม้ที่ตัดสินใจแล้วทำอย่างน้อย ตรวจสอบคำอธิบายเหล่านี้เป็นทิศทางที่น่าสนใจสำหรับการทำงานในอนาคตสำหรับ classifier Naive Bayes มีการลดการแบ่งแยก และเราจึงแนะนำให้ใช้ classifier นี้ข้อมูลนี้

ผลลัพธ์ (ไทย) 2:

บทความนี้นำเสนอการวิเคราะห์ชุดข้อมูลที่แท้จริงของโลก WRT การเลือกปฏิบัติทางสังคม โดยเฉพาะอย่างยิ่งเราศึกษาการจัดหมวดหมู่การเลือกปฏิบัติที่ทราบโดยการทดสอบในชุดข้อมูลที่เกิดขึ้นจริงจากสถิติเนเธอร์แลนด์ซึ่งรักษาประชากรเศรษฐกิจและข้อมูลอาชญากรรมของประชาชนชาวดัตช์ทั้งหมด ผลของเราแสดงให้เห็นว่าการใช้ลักษณนาม discriminationignorant มาตรฐาน exacerbates ปัญหาการเลือกปฏิบัติโดยการเพิ่มความแตกต่างน่าจะเป็นของการเป็นผู้ต้องสงสัยก่ออาชญากรรมระหว่างผู้คนจากชนกลุ่มน้อยและจากกลุ่มที่ไม่ใช่ชนกลุ่มน้อย นอกจากนี้คนที่มาจากชนกลุ่มน้อยมีแนวโน้มที่จะถูกจัดไม่ถูกต้องเป็นผู้ต้องสงสัยก่ออาชญากรรมเมื่อใช้วิธีการดังกล่าว ผลการศึกษานี้เน้นความสำคัญของการเลือกปฏิบัติลักษณนามทราบในทางปฏิบัติ หนึ่งในสามเทคนิคการเลือกปฏิบัติตระหนักถึงการประเมินเราจะพบว่าการปรับเปลี่ยนเกณฑ์การตัดสินใจของลักษณนามเบส์ซื่อๆผลิตการควบคุมการเลือกปฏิบัติที่ดีและว่าวิธีการประมวลผลเบื้องต้นข้อมูล (นวดและ / หรือ reweighing) ลดการเลือกปฏิบัติทั้งลักษณนาม Naive Bayes และต้นไม้การตัดสินใจ สำหรับต้นไม้การตัดสินใจอย่างไรก็ตามการลดลงของการเลือกปฏิบัติที่มีขนาดเล็กมากจึงไม่ได้รับการสนับสนุนในการตัดสินใจเลือกปฏิบัติทราบ คำอธิบายที่เป็นไปได้ว่าวิธีการประมวลผลเบื้องต้นที่ใช้แตกต่างกัน
(เป็นหน่อมแน้มเบส์) ลักษณนามในการจัดอันดับวัตถุหรือต้นไม้การตัดสินใจที่มีอยู่แล้วส่งผลให้เกิดการเลือกปฏิบัติน้อย การตรวจสอบคำอธิบายเหล่านี้เป็นทิศทางที่น่าสนใจสำหรับการทำงานในอนาคต.
สำหรับลักษณนาม Naive Bayes มีการลดขนาดใหญ่ในการเลือกปฏิบัติและเราจึงแนะนำให้ใช้ลักษณนามนี้กับข้อมูลนี้

ผลลัพธ์ (ไทย) 3:

บทความนี้เสนอการวิเคราะห์ข้อมูลใช้ w.r.t. สังคมการแบ่งแยก โดยเฉพาะ เราจำแนกหมวดหมู่ศึกษาทราบโดยการทดสอบในชุดข้อมูลที่เกิดขึ้นจริงจากสถิติประเทศเนเธอร์แลนด์ซึ่งรักษาทางประชากร เศรษฐกิจ และข้อมูลอาชญากรรมของชาวดัตช์ทั้งหมดผลของเราแสดงให้เห็นว่าการใช้ลักษณนาม exacerbates ปัญหาการแบ่งแยก discriminationignorant มาตรฐานโดยการเพิ่มความน่าจะเป็นของการก่ออาชญากรรมสงสัยความแตกต่างระหว่างผู้คนจากชนกลุ่มน้อยและไม่ใช่ชนกลุ่มน้อยกลุ่ม นอกจากนี้ ประชาชนจากชนกลุ่มน้อยจะไม่ถูกจัดเป็นผู้ต้องสงสัยก่ออาชญากรรมเมื่อมีการใช้วิธีการดังกล่าวผลลัพธ์เหล่านี้เน้นความสำคัญของการตระหนักถึงคำลักษณนามในการปฏิบัติ ระหว่างสามแบ่งแยกทราบเทคนิคการประเมิน พบว่า การปรับเปลี่ยนการตัดสินใจเกณฑ์ของ Naive Bayes ลักษณนาม ผลิต ควบคุม ปฏิบัติดีและข้อมูล ( Preprocessing วิธีการนวด และ / หรือ reweighing ) ลดการเลือกปฏิบัติทั้งไร้เดียงสา Bayes ลักษณนามและต้นไม้การตัดสินใจ สำหรับต้นไม้ การตัดสินใจ อย่างไรก็ตาม การเลือกปฏิบัติมีขนาดเล็กมากและดังนั้นจึงไม่สนับสนุนสำหรับการตระหนักถึงการตัดสินใจ คำอธิบายที่เป็นไปได้ที่ติดกันใช้วิธีการที่แตกต่างกัน (
ไร้เดียงสา Bayes ลักษณนาม ) ตำแหน่งวัตถุ หรือการตัดสินใจของต้นไม้แล้วส่งผลให้เลือกปฏิบัติน้อยลง ตรวจสอบคำอธิบายเหล่านี้เป็นทิศทางที่น่าสนใจสำหรับการทำงานในอนาคต .
สำหรับไร้เดียงสา Bayes ลักษณนาม มีการลดขนาดใหญ่ในการเลือกปฏิบัติ และเราจึงแนะนำให้ใช้ตัวนี้ ข้อมูลนี้