Equidad en Aprendizaje Automático - Trabajo Práctico Final

Descripción del Proyecto

Este proyecto implementa un análisis completo de equidad algorítmica aplicado al German Credit Data, explorando técnicas de mitigación de sesgos en modelos de clasificación crediticia. El trabajo forma parte del Trabajo Práctico de la materia "Equidad en Aprendizaje Automático" (2do cuatrimestre 2025).

Objetivos

• Analizar el conjunto German Credit Data identificando sesgos potenciales

• Desarrollar un modelo baseline de regresión logística para scoring crediticio

• Evaluar métricas de equidad considerando diferencias por género

• Implementar y comparar técnicas de mitigación de sesgos

• Analizar el trade-off entre performance predictiva y equidad algorítmica

Métricas Implementadas

• Performance Predictiva

• Accuracy, Precision, Recall, F1-Score

• Matriz de Confusión

• Costo financiero (FN:FP = 5:1)

Equidad Algorítmica

• Statistical Parity Difference

• Equal Opportunity Difference

• Predictive Parity Difference

• Equalized Odds Difference

Técnicas de Mitigación Implementadas

• Pre-processing: Reweighting

• Post-processing: Equalized Odds

• Combinación: Reweighting + Equalized Odds

Autores

• Facundo Latini Leiva

• Matías Ezequiel Raina

Enlaces Relacionados

Dataset Original - https://archive.ics.uci.edu/dataset/144/statlog+german+credit+data