Sesgos en problemas de regresión originados por el desbalance de datos en términos de atributos protegidos

Resumen

En este trabajo se busca estudiar el efecto sobre el desempeño de modelos de regresión provocado por el desbalance en los datos en términos de atributos protegidos durante el entrenamiento. Estos atributos, como género o color de piel de una persona, son características propias de los datos que pueden o no tener una relación directa con el problema a resolver. Los resultados obtenidos mediante experimentos tanto sobre datos sintéticos como reales, muestran que el error sobre una dada población aumenta cuando se encuentra subrepresentada en el conjunto de datos de entrenamiento. En ambos casos estudiados encontramos que el error sobre la población completa fue mínimo cuando se encontraba balanceado en términos del atributo protegido en cuestión.
Este estudio es el primer paso de un trabajo que busca extender este
análisis a otras bases de datos, modelos y problemas, para luego atenuar
este inconveniente incorporando penalizadores que desincentiven un mejor
rendimiento sobre un subconjunto en desmedro de otro.