本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 准确率差异 (AD)
<a name="clarify-post-training-bias-metric-ad"></a>

准确率差异 (AD) 指标是不同分面的预测准确率之间的差异。该指标确定模型对一个分面的分类是否比另一个分面更准确。AD 表示某一分面是否会产生更大比例的 I 型和 II 型错误。但它无法区分 I 型和 II 型错误。例如，模型对不同年龄人口的准确率可能相同，但对一个年龄组的错误可能主要是假阳性（I 型错误），而对另一年龄组的错误可能主要是假阴性（II 型错误）。

另外，如果对中年人口（分面 *a*）的贷款审批准确率远高于对另一年龄段人口（分面 *d*）的贷款审批准确率，那么要么第二组中更大比例的合格申请人被拒绝发放贷款 (FN)，要么该组中更大比例的不合格申请人获得贷款 (FP)，要么两者兼而有之。这可能会导致第二组的组内不公平，即使两个年龄组的贷款发放比例几乎相同，这表现为 DPPL 值接近于零。

AD 指标的计算公式为分面 *a* 的预测准确率 (ACCa) 减去分面 *d* 的预测准确率 (ACCd)：

        AD = ACCa - ACCd

其中：
+ ACCa = (TPa \+ TNa)/(TPa \+ TNa \+ FPa \+ FNa) 
  + TPa 是分面 *a* 的真阳性预测值
  + TNa 是分面 *a* 的真阴性预测值
  + FPa 是分面 *a* 的假阳性预测值
  + FNa 是分面 *a* 的假阴性预测值
+ ACCd = (TPd \+ TNd)/(TPd \+ TNd \+ FPd \+ FNd)
  + TPd 是分面 *d* 的真阳性预测值
  + TNd 是分面 *d* 的真阴性预测值
  + FPd 是分面 *d* 的假阳性预测值
  + FNd 是分面 *d* 的假阴性预测值

例如，假设一个模型向分面 *a* 的 100 名申请人中的 70 名批准发放贷款，而拒绝了另外 30 名申请人。10 名申请人不应该获得批准 (FPa)，而 60 名申请人本应获得批准 (TPa)。被拒绝的申请人中有 20 人本应获得批准 (FNa)，10 人被正确拒绝 (TNa)。分面 *a* 的准确率如下：

        ACCa = (60 \+ 10)/(60 \+ 10 \+ 20 \+ 10) = 0.7

接下来，假设一个模型向分面 *d* 的 100 名申请人中的 50 名批准发放贷款，而拒绝了另外 50 名申请人。10 名申请人不应该获得批准 (FPa)，而 40 名申请人本应获得批准 (TPa)。被拒绝的申请人中有 40 人本应获得批准 (FNa)，10 人被正确拒绝 (TNa)。分面 *a* 的准确率如下：

        ACCd= (40 \+ 10)/(40 \+ 10 \+ 40 \+ 10) = 0.5

因此，准确率差异为 AD = ACCa - ACCd = 0.7 - 0.5 = 0.2。这表明存在不利于分面 *d* 的偏差，因为该指标为正值。

二进制和多类别分面标签的 AD 值范围为 [-1, \+1]。
+ 当分面 *a* 的预测准确率高于分面 *d* 的预测准确率时，就会出现正值。这意味着分面 *d* 更容易受到假阳性（I 型错误）或假阴性（II 型错误）的某种组合的影响。这意味着存在不利于不利分面 *d* 的潜在偏差。
+ 当分面 *a* 的预测准确率与分面 *d* 的预测准确率相似时，就会出现接近零的值。
+ 当分面 *d* 的预测准确率高于分面 *a* 的预测准确率时，就会出现负值。这意味着分面 *a* 更容易受到假阳性（I 型错误）或假阴性（II 型错误）的某种组合的影响。这意味着存在不利于有利分面 *a* 的偏差。