Equidad en aprendizaje automático. Aplicaciones

Abstract

Trabajo de Máster Universitario en Economía, Finanzas y Computación (2023-24). Tutor: Dr. Antonio Javier Tallón Ballesteros. Actualmente, el Aprendizaje Automático y la Inteligencia Artificial están teniendo un impacto significativo en varios aspectos de nuestra vida cotidiana. En este trabajo se investiga cómo las disparidades en los datos de entrenamiento pueden afectar la justicia de los modelos predictivos. Utilizando técnicas como imputación de valores perdidos, selección de atributos, y optimización de parámetros en algoritmos de clasificación, junto a la incorporación de métricas de equidad, se evaluaron varios modelos en términos de su capacidad para reducir sesgos. Para desarrollar estos pasos se implementó una herramienta, a través de la cual se estudia el comportamiento de la equidad en tres bases de datos reales de clasificación. Los resultados indican que los métodos de preprocesamiento de datos y la optimización de métricas específicas pueden mejorar la equidad manteniendo la precisión del modelo. Esta investigación resalta la importancia de considerar la equidad en el desarrollo de algoritmos en aras de implementar modelos más justos.

Nowadays, Machine Learning and Artificial Intelligence are having a significant impact on various aspects of our daily lives. This work researches how disparities in training data can affect the fairness of predictive models. Using techniques such as missing values imputation, feature selection and parameter optimization in classification algorithms, together with the incorporation of fairness metrics, several models were evaluated in terms of their ability to reduce bias. To develop these steps, a tool is implemented through which the fairness behavior is studied in three real-world classification datasets. The results indicate that the data preprocessing methods as well as the optimization of specific metrics, can improve fairness keeping the model accuracy. This research highlights the importance of considering fairness in algorithm development in order to implement fairer models.