বায়াস মিটিগেশন টেকনিক

# সিন্থেটিক, ইলাস্ট্রেটিভ উদাহরণ (L16/L17-এর থেকে ভিন্ন, এই পাঠের জন্য নতুন তৈরি) --
# প্রতিটি ব্যক্তির একটি ঝুঁকি-স্কোর (0-1) ও প্রকৃত label; predicted_positive = score >= threshold

group_a = [
    (0.90, 1), (0.85, 1), (0.80, 1), (0.75, 1), (0.70, 1), (0.45, 1),
    (0.60, 0), (0.40, 0), (0.35, 0), (0.30, 0), (0.20, 0), (0.10, 0),
]
group_b = [
    (0.95, 1), (0.90, 1), (0.85, 1), (0.80, 1), (0.60, 1), (0.55, 1),
    (0.75, 0), (0.70, 0), (0.65, 0), (0.55, 0), (0.30, 0), (0.20, 0),
]

def metrics_at_threshold(data, threshold):
    tp = fp = fn = tn = 0
    for score, actual in data:
        predicted = 1 if score >= threshold else 0
        if predicted == 1 and actual == 1:
            tp += 1
        elif predicted == 1 and actual == 0:
            fp += 1
        elif predicted == 0 and actual == 1:
            fn += 1
        else:
            tn += 1
    fpr = fp / (fp + tn) if (fp + tn) else 0.0
    fnr = fn / (fn + tp) if (fn + tp) else 0.0
    return {"tp": tp, "fp": fp, "fn": fn, "tn": tn, "fpr": fpr, "fnr": fnr}

# --- মিটিগেশনের আগে: উভয় গ্রুপে একই থ্রেশহোল্ড (0.5) ---
before_a = metrics_at_threshold(group_a, 0.5)
before_b = metrics_at_threshold(group_b, 0.5)

print("মিটিগেশনের আগে (উভয় গ্রুপে থ্রেশহোল্ড = 0.5)")
print(f"  Group A -- FPR: {before_a['fpr']*100:.1f}%  FNR: {before_a['fnr']*100:.1f}%")
print(f"  Group B -- FPR: {before_b['fpr']*100:.1f}%  FNR: {before_b['fnr']*100:.1f}%")

# --- পোস্ট-প্রসেসিং: শুধু Group B-এর থ্রেশহোল্ড বাড়িয়ে 0.72 করা হলো, Group A অপরিবর্তিত ---
after_a = metrics_at_threshold(group_a, 0.5)
after_b = metrics_at_threshold(group_b, 0.72)

print("\nমিটিগেশনের পরে (Group B-এর থ্রেশহোল্ড = 0.72, Group A অপরিবর্তিত = 0.5)")
print(f"  Group A -- FPR: {after_a['fpr']*100:.1f}%  FNR: {after_a['fnr']*100:.1f}%")
print(f"  Group B -- FPR: {after_b['fpr']*100:.1f}%  FNR: {after_b['fnr']*100:.1f}%")