কেস স্টাডি: COMPAS ও রিসিডিভিজম প্রেডিকশন

# সম্পূর্ণ সিন্থেটিক, ইলাস্ট্রেটিভ পুনর্গঠন -- বাস্তব COMPAS/ProPublica ডেটা নয়।
# লক্ষ্য: "সমান ক্যালিব্রেশন কিন্তু ভিন্ন FPR/FNR" প্যাটার্নটি সংখ্যায় দেখা,
# যা ২০১৬ সালের ProPublica তদন্তে রিপোর্ট করা প্যাটার্নের ধরন অনুকরণ করে (প্রকৃত সংখ্যা 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

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
    accuracy = (len([r for r in records if r["predicted_positive"] == r["actual_positive"]])) / n
    return {"n": n, "demographic_parity": demographic_parity, "fpr": fpr, "fnr": fnr,
            "calibration_pred_positive": calib_pos, "calibration_pred_negative": calib_neg,
            "accuracy": accuracy}

# Group A: predicted-positive ৭০ জন, predicted-negative ৩০ জন (n=100)
group_a = make_group(tp=49, fp=21, fn=6, tn=24)
# Group B: predicted-positive ৩০ জন, predicted-negative ৭০ জন (n=100)
# -- ইচ্ছাকৃতভাবে ভিন্ন predicted-positive অনুপাত, যা ভিন্ন base rate তৈরি করে
group_b = make_group(tp=21, fp=9, fn=14, tn=56)

for name, group in [("Group A", group_a), ("Group B", group_b)]:
    m = fairness_metrics(group)
    base_rate = (sum(1 for r in group if r["actual_positive"])) / m["n"]
    print(f"{name}  (n={m['n']}, প্রকৃত base rate={base_rate*100:.0f}%)")
    print(f"  সামগ্রিক নির্ভুলতা (accuracy):    {m['accuracy']*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()