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。

# 平等对待 (TE)
<a name="clarify-post-training-bias-metric-te"></a>

平等对待 (TE) 是指分面 *a* 和分面 *d* 之间假阴性与假阳性比率之差。该指标的主要理念是评估即使各组的准确率相同，错误对一组的伤害是否比另一组更大？ 错误率来自假阳性和假阴性的总和，但对于不同的分面，这两者的细分可能大不相同。TE 衡量错误在各分面的补偿方式是相似还是不同。

平等对待的公式：

        TE = FNd/FPd - FNa/FPa

其中：
+ FNd 是分面 *d* 的假阴性预测值。
+ FPd 是分面 *d* 的假阳性预测值。
+ FNa 是分面 *a* 的假阴性预测值。
+ FPa 是分面 *a* 的假阳性预测值。

请注意，如果 FPa 或 FPd 为零，该指标就会变成无界。

例如，假设有 100 名贷款申请人来自分面 *a*，有 50 名贷款申请人来自分面 *d*。就分面 *a* 而言，有 8 人被错误地拒绝贷款 (FNa)，另有 6 人被错误地批准贷款 (FPa)。其余的预测均正确，那么 TPa \$1 TNa = 86。对于分面 *d*，有 5 人被错误地拒绝 (FNd)，有 2 人被错误地批准 (FPd)。其余的预测均正确，那么 TPd \$1 TNd = 43。分面 *a* 的假阴性与假阳性之比等于 8/6 = 1.33，分面 *d* 的假阴性与假阳性之比等于 5/2 = 2.5。因此，TE = 2.5 - 1.33 = 1.167，尽管两个分面的准确率相同：

        ACCa = (86)/(86\$1 8 \$1 6) = 0.86

        ACCd = (43)/(43 \$1 5 \$1 2) = 0.86

二进制和多类别分面标签的有条件拒绝差异的值范围为 (-∞, \$1∞)。未为连续标签定义 TE 指标。对该指标的解释取决于假阳性（I 型错误）和假阴性（II 型错误）的相对重要性。
+ 当分面 *d* 的假阴性与假阳性之比大于分面 *a* 的假阴性与假阳性之比时，就会出现正值。
+ 当分面 *a* 的假阴性与假阳性之比和分面 *d* 的假阴性与假阳性之比相似时，就会出现接近零的值。
+ 当分面 *d* 的假阴性与假阳性之比小于分面 *a* 的假阴性与假阳性之比时，就会出现负值。

**注意**  
先前的版本指出，平等对待指标的计算公式是 FPa / FNa - FPd / FNd，而不是 FNd / FPd - FNa / FPa。这两个版本都可以使用。有关更多信息，请参阅 [https://pages.awscloud.com/rs/112-TZM-766/images/Fairness.Measures.for.Machine.Learning.in.Finance.pdf](https://pages.awscloud.com/rs/112-TZM-766/images/Fairness.Measures.for.Machine.Learning.in.Finance.pdf)。