Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés. # Igualdad de tratamiento (TE) La igualdad de tratamiento (TE) es la diferencia en la relación entre falsos negativos y falsos positivos entre las facetas *a* y *d*. La idea principal de esta métrica es evaluar si, aunque la precisión entre los grupos sea la misma, se da el caso de que los errores perjudiquen más a un grupo que a otro. La tasa de error proviene del total de falsos positivos y falsos negativos, pero el desglose de estos dos factores puede ser muy diferente en las facetas. La TE mide si los errores se compensan de manera similar o diferente en todas las facetas. La fórmula para la igualdad de tratamiento:         TE = FNd/FPd - FNa/FPa Donde: + FNd son los falsos negativos predichos para la faceta *d*. + FPd son los falsos positivos predichos para la faceta *d*. + FNa son los falsos negativos predichos para la faceta *a*. + FPa son los falsos positivos predichos para la faceta *a*. Tenga en cuenta que la métrica se vuelve ilimitada si FPa o FPd es cero. Por ejemplo, suponga que hay 100 solicitantes de préstamos de la faceta *a* y 50 de la faceta *d*. En el caso de la faceta *a*, a 8 se les denegó erróneamente un préstamo (FNa) y a otros 6 se les aprobó erróneamente (FPa). El resto de las predicciones eran ciertas, por lo que TPa \+ TNa = 86. En el caso de la faceta *d*, 5 fueron rechazadas erróneamente (FNd) y 2 fueron aprobadas erróneamente (FPd). El resto de las predicciones eran ciertas, por lo que TPd \+ TNd = 43. **La proporción entre falsos negativos y falsos positivos es igual a 8/6 = 1,33 para la faceta a y 5/2 = 2,5 para la faceta d.** Por lo tanto, TE = 2,5 - 1,33 = 1,167, aunque ambas facetas tienen la misma precisión:         ACCa = (86)/(86\+ 8 \+ 6) = 0,86         ACCd = (43)/(43 \+ 5 \+ 2) = 0,86 El rango de valores para las diferencias en el rechazo condicional de etiquetas de facetas binarias y multicategoría es (-∞, \+∞). La métrica TE no está definida para etiquetas continuas. La interpretación de esta métrica depende de la importancia relativa de los falsos positivos (error de tipo I) y los falsos negativos (error de tipo II). + Los valores positivos se producen cuando la relación entre falsos negativos y falsos positivos de la faceta *d* es mayor que la de la faceta *a*. + Los valores cercanos a cero se producen cuando la relación entre falsos negativos y falsos positivos de la faceta *a* es similar a la de la faceta *d*. + Los valores negativos se producen cuando la relación entre falsos negativos y falsos positivos de la faceta *d* es menor que la de la faceta *a*. **nota** En una versión anterior se indicaba que la métrica de igualdad de tratamiento se calculaba como FPa / FNa - FPd / FNd en lugar de FNd / FPd - FNa / FPa. No obstante, se puede utilizar cualquiera de las versiones. Para obtener más información, consulte [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).