ফেয়ারনেস মেট্রিক্স — ডেমোগ্রাফিক প্যারিটি ও ইকুয়ালাইজড অডস

# সিন্থেটিক, ইলাস্ট্রেটিভ উদাহরণ -- একটি hypothetical স্ক্রিনিং অ্যালগরিদমের প্রেডিকশন,
# বাস্তব কোনো কোম্পানি বা প্রকৃত ডেটাসেট নয়

def make_group(tp, fp, fn, tn):
    records  = [{"predicted_positive": True,  "actual_positive": True}]  * tp
    records += [{"predicted_positive": True,  "actual_positive": False}] * fp
    records += [{"predicted_positive": False, "actual_positive": True}]  * fn
    records += [{"predicted_positive": False, "actual_positive": False}] * tn
    return records

# Group A: TP=16, FP=4, FN=4, TN=16  (n=40, base rate 50%)
group_a = make_group(tp=16, fp=4, fn=4, tn=16)
# Group B: TP=10, FP=10, FN=6, TN=14  (n=40, base rate 40% -- A-এর চেয়ে ভিন্ন)
group_b = make_group(tp=10, fp=10, fn=6, tn=14)

def fairness_metrics(records):
    n = len(records)
    pred_pos   = [r for r in records if r["predicted_positive"]]
    pred_neg   = [r for r in records if not r["predicted_positive"]]
    actual_pos = [r for r in records if r["actual_positive"]]
    actual_neg = [r for r in records if not r["actual_positive"]]

    demographic_parity = len(pred_pos) / n

    fp = len([r for r in actual_neg if r["predicted_positive"]])
    fpr = fp / len(actual_neg) if actual_neg else 0.0

    fn = len([r for r in actual_pos if not r["predicted_positive"]])
    fnr = fn / len(actual_pos) if actual_pos else 0.0

    calib_pos = (len([r for r in pred_pos if r["actual_positive"]]) / len(pred_pos)) if pred_pos else 0.0
    calib_neg = (len([r for r in pred_neg if r["actual_positive"]]) / len(pred_neg)) if pred_neg else 0.0

    return {
        "n": n, "demographic_parity": demographic_parity,
        "fpr": fpr, "fnr": fnr,
        "calibration_pred_positive": calib_pos,
        "calibration_pred_negative": calib_neg,
    }

for name, group in [("Group A", group_a), ("Group B", group_b)]:
    m = fairness_metrics(group)
    print(f"{name}  (n={m['n']})")
    print(f"  ডেমোগ্রাফিক প্যারিটি:            {m['demographic_parity']*100:.1f}%")
    print(f"  False Positive Rate:            {m['fpr']*100:.1f}%")
    print(f"  False Negative Rate:            {m['fnr']*100:.1f}%")
    print(f"  ক্যালিব্রেশন (predicted-positive): {m['calibration_pred_positive']*100:.1f}%")
    print(f"  ক্যালিব্রেশন (predicted-negative): {m['calibration_pred_negative']*100:.1f}%")
    print()