待遇平等(TE) - Amazon SageMaker
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅中国的 Amazon Web Services 服务入门

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。

待遇平等(TE)

治疗平等(TE)是指各个方面之间的假阴性与误报之间的比率的差异一个D. 该指标的主要思想是评估,即使各组的准确性相同,错误对一个组的伤害是否比另一个组更有害? 错误率来自误报和假负面的总数,但这两者的细分可能在各个方面有很大不同。TE 衡量错误是以类似方式还是不同的方式跨方面补偿错误。

治疗平等的公式:

        TE = FNd/FPd-FNa/FPa

其中:

  • FNd是预计的错误的负面D.

  • FPd对于方面来说,预计会出现误报吗?D.

  • FNa是预计的错误的负面一个.

  • FPa对于方面来说,预计会出现误报吗?一个.

请注意,如果 FP,指标将变为无限a或 FPd为 0。

例如,假设有来自 Facet 的贷款申请人。一个还有 50 个方面D. 对于分面一个, 8 个被错误地拒绝了贷款 (FN)a)又有 6 个被错误批准(FPa)。剩下的预测是真的,所以 TPa+ TNa= 86。对于分面D,5 被错误地拒绝了(FNd)和 2 被错误批准(FPd)。剩下的预测是真的,所以 TPd+ TNd=43。对于方面而言,假阴性与误报的比率等于 8/6 = 1.33一个和 5/2 = 2.5 表示刻面D. 因此,TE = 2.5-1.33 = 1.167,尽管两个方面都具有相同的精度:

        ACCa= (86)/(86+ 8 +6) = 0.86

        ACCd= (43)/(43 + 5 + 2) = 0.86

二进制和多类别方面标签的条件拒绝差异的值范围为 (-∞, +∞)。没有为连续标签定义 TE 指标。对此指标的解释取决于误报(I 类错误)和假底片(类型 II 错误)的相对重要性。

  • 当面的假负面与误报的比率时,会出现正值D比方面还要大一个.

  • 当方面的假阴性与误报的比率时,将出现接近零的值一个类似于 FacetD.

  • 当面的假负面与误报的比率时,会出现负值D对于方面来说还不到这一点一个.

注意

之前的版本指出,治疗平等度量计算为 FPa/FNa-FPd/FNd而不是 FNd/FPd-FNa/FPa. 虽然可以使用其中任何一个版本。有关更多信息,请参阅 Fairness measures for Machine Learning in Finance