官方 HW6 ZIP 內 PDF 的完整題名是 Homework 6: Learning Theory, MLE/MAP, Fairness Metrics, and Societal Impact；coursework 索引 使用較短名稱 Learning Theory and Ethics。它是純 written 作業，題組包括 learning theory、MLE/MAP、probabilistic learning、fairness metrics、societal impacts/unintended consequences 與 society, ethics, and ML。ZIP 提供 PDF、LaTeX template、fairness CSV 與題目圖檔，沒有 starter code 或 reference answers。
同一條主線：模型為何值得相信
Learning theory 問從 sample 推到 population 的條件；MLE/MAP 問估計使用什麼資料與 prior；公平指標問不同錯誤如何分配。三者都不是單一數字裁決，而是先把假設、目標與受影響群體寫清楚。
第一個檢查動作與完成判準
第一個動作是打開 ZIP 裡的 fairness_dataset.csv，先確認欄位、群體與 label/prediction 定義，再計算任何 metric。完成判準是：每個 bound／estimator 都列出假設；fairness 題能由 CSV 重算；社會影響題明確分開資料可支持的數學結果與價值判斷。官方沒有答案，不能把自算結果標為官方驗證。
先辨識公平指標的分母
以下是本文自編的教學例子，不是官方作業答案。
自編兩群資料：A 群有十個實際正例，其中八個被預測為正；B 群有五個實際正例，其中四個被預測為正。兩群 true-positive rate 都是 0.8，分母是實際正例數，不能拿全部群體人數代替。
檢查與答案： 這能否證明所有公平條件都滿足？答案不能：沒有實際負例、錯誤預測與群體總數，就不能計算 false-positive rate 或選取率；相同 TPR 只是這個指標相同。
更新紀錄
- 2026-10-11：補上自編例子、完整計算或推理，以及理解檢查答案。
參考資料
Loading...