机器学习算法的正确性依赖于训练样本,然而训练样本在标注过程中会有意或无意的带入人类的偏见,如性别、种族和宗教等敏感因素,进而得到的机器学习模型对最终用户产生歧视和偏见,这就是机器学习算法的公平性问题。随着机器学习广泛应用于人类生活,实现公平性就显得尤为重要。在金融科技领域,机器学习已经得到深度应用,然而现有的研究中很少考虑敏感属性带来的不公平性问题。本文主要考虑性别这一敏感属性进行机器学习公平性研究,首先根据对现有公平性定义以及指标进行了研究分析,选出两类公平性评价指标,比较分析发现公平性指标间存在着一定的关联性,同一样本得到的两类指标分布相同。其次,在实证分析中,通过Logistic回归、支持向量机算法初步分类,利用两类公平性指标度量,验证了未进行公平性处理的分类结果确实存在着不公平。由于在实现公平性同时会在一定程度上损失准确性,为了平衡公平性和准确性,引入权衡系数λ。通过实验发现,在λ取值从0变化到1的过程中,分类准确性下降的同时公平性在提升,但过程中存在着波动,λ取值在0.2以及0.6时可实现公平性及准确率的最优权衡。本文的创新点在于验证了不同公平性指标间存在着相关性,同时将公平性学习概念应用于实际问题数据集,通过预处理的方式提出公平性逻辑回归以及公平性支持向量机算法。