# Fairness

<!-- durch Studierende erschließen lassen; in eigenen Worten formulieren; Vorschlag zur Auflösung bei J in LA.txt -->

Quellen:
* <https://en.wikipedia.org/wiki/Confusion_matrix>
* <https://en.wikipedia.org/wiki/Fairness_(machine_learning)#Mathematical_formulation_of_group_fairness_definitions>
* <https://towardsdatascience.com/a-tutorial-on-fairness-in-machine-learning-3ff8ba1040cb>
* <https://www.auditingalgorithms.net/EqualityAndFairness.html>

Fallbeispiel: Zusage zu einem Studium, einem Job etc.. Ziel des Klassifikators ist es, qualifizierten Menschen einen Studienplatz, einen Job zuzusagen.



## Vorhersage + tatsächliche Qualifikation, bezogen auf Gesamtheit

"Zentrum" der Confusion Matrix

```{glossary}
true positive TP
  
true negative TN
  
false positive FP
  
false negative FN

accuracy
```


## Vorhersage + tatsächliche Qualifikation, bezogen auf Vorhersagen

```{glossary}
positive predictive value

negative predictive value
```


## Vorhersage + tatsächliche Qualifikation, bezogen auf tatsächliche Qualifikation

```{glossary}
false positive rate

false negative rate

true positive rate

true negative rate
```


## Fairnes

Quelle der Zitate:
 * <https://en.wikipedia.org/wiki/Fairness_(machine_learning)#Mathematical_formulation_of_group_fairness_definitions>

Geschütze Gruppe: Frauen

```{glossary}
demographic parity

equal opportunity

equalized odds
```