Apr, 2024
机器学习技术中带有公正性的预测药物和酒精康复完成
Machine Learning Techniques with Fairness for Prediction of Completion of Drug and Alcohol Rehabilitation
Karen Roberts-Licklider, Theodore Trafalis
TL;DR预测一个人是否能完成戒毒和戒酒康复计划以及出席次数，研究基于美国行为健康与心理服务管理局（SAMHSA）提供的俄克拉荷马州戒毒和戒酒康复中心的入院和出院的人口统计数据，使用二进制编码的高度分类数据，并利用各种公平性措施来减轻九个人口统计变量的偏见，通过支持向量机比较线性、多项式、Sigmoid 和径向基函数的核方法在不同参数范围内找到最佳值，然后与决策树、随机森林和神经网络等方法进行比较，使用 SMOTEN 技术均衡分类数据并对缺失数据进行插补，对九个偏见变量进行交叉整合以减轻偏见，并融合双重和三重交互作用来使用概率观察最坏情况比例的公平减轻措施，探索了二进制和多类别情景下的差异冲击、统计平等差异、条件统计平等比例、人口平等、人口平等比例、平等几率、平等几率比例、平等机会和平等机会比例。