用于再犯预测的公平优先可解释模型
机器学习
2019-10-07 v1 机器学习
应用统计
摘要
再犯预测为决策者提供对刑事被告再次犯罪可能性的评估,可用于审前决策。它也可用于预测犯罪最频发地点,以及更可能实施暴力犯罪的人群特征。尽管此类工具日益流行,其使用仍存在争议,因为它们可能在风险评估中带来潜在的歧视性偏差。本文提出一种新颖的公平优先(fair-by-design)方法来预测再犯。该方法基于原型、局部学习并经验性地提取数据分布。结果表明,所提方法能够降低偏差,并提供人类可解释的规则以协助专家对给定结果作出解释。
引用
@article{arxiv.1910.02043,
title = {Fair-by-design explainable models for prediction of recidivism},
author = {Eduardo Soares and Plamen Angelov},
journal= {arXiv preprint arXiv:1910.02043},
year = {2019}
}