朱莉娅和同事的文章发表后，蒂姆和Northpointe很快做出了回应。他们写了一份研究报告，反驳ProPublica的分析是错误的。他们认为，COMPAS遵循的标准和其他久经检验的算法相同。他们声称，他们的算法对白人和黑人罪犯都进行了“精心校准”，而朱莉娅和她的同事们都对算法犯错这一概念产生了误解。
Northpointe和ProPublica之间的争论让我意识到偏见问题的复杂性。这些人都很聪明，他们在洋洋洒洒近百页的文章中你来我往地抗辩与驳斥，并辅以计算机代码和更多的统计分析。随后，博客、数学家和记者都对双方的辩论进行了热烈讨论，发表了自己对算法偏见的看法。定义偏见是一道数学难题，想弄明白就需要仔细研究它。
为此我下载了ProPublica收集的数据，开始了我的研究。ProPublica收集的这些数据如表6.1所示，它们来自佛罗里达州布劳沃德郡（BrowardCounty)。为了理解 ProPublica 的论点和 Northpointe 的反击，我重新制表以便展示COMPAS算法将白人和黑人罪犯进行分类的方式，以及他们是否会因为再次犯罪而被捕。列，显示的是被COMPAS算法归为高风险和低风险的人数；行，显示的是再次犯罪和没有再犯的人数。
让我们花一分钟看看这张表，问下自己是否认为这个算法存在偏见。首先我们比较一下有多少黑人和白人被归为高风险罪犯。3615名黑人罪犯中有2174人被列为高风险，概率是2174/3615≈60%。对白人罪犯的情况进行同样的计算后，我们发现他们被归类为高风险的概率仅为34.8%。所以黑人比白人更容易被视为潜在的犯罪分子。
第一部分 算在时个我数据做了什么？
53