Discriminationsegenskaber

Discriminationsegenskaber refererer til de egenskaber ved en målemetode, et test eller en model, som gør det muligt at skelne mellem to eller flere klasser eller tilstande. Begrebet anvendes primært i statistik, psykometri og maskinlæring til at beskrive hvor effektivt et instrument eller en model er til at differentiere mellem forskellige grupper.

I praksis beskriver discriminationsegenskaberne, hvor stærkt et mål kan attribuere forskelle mellem tilstande, såsom syg versus rask, eller forskellige kategorier i et datasæt. Høje discriminationsegenskaber betyder typisk en klarere adskillelse mellem klasserne og en bedre klassificeringskraft. Samtidig spiller kontekst og dataens kvalitet en afgørende rolle, idet skævheder i data kan give illusorisk eller forvrænget diskrimination.

Måling og evaluering af discriminationsegenskaber sker gennem forskellige metoder. Typiske metoder inkluderer ROC-kurven og området under kurven (AUC), confusion-matrix og relaterede målinger som præcision og tilbagekald. Mere avancerede mål inkluderer Fisher’s diskriminantratio og informationstværgning såsom gensidig information. I maskinlæring bruges også feature-udvælgelse og modelbaserede vurderinger til at estimere en services diskriminerende kraft.

Det er vigtigt at skelne discriminationsegenskaber fra sociale eller etiske begreber om diskrimination. Selvom en model kan have stærke diskriminerende egenskaber i teknisk forstand, betyder det ikke nødvendigvis noget om retfærdighed eller bias i brugen af modellen. Korrekt brug kræver derfor både teknisk vurdering og etiske overvejelser.