As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Lp-norma (LP)
<a name="clarify-data-bias-metric-lp-norm"></a>

A norma Lp (LP) mede a distância da norma p entre as distribuições de facetas dos rótulos observados em um conjunto de dados de treinamento. Essa métrica não é negativa e, portanto, não pode detectar desvios reversos. 

A fórmula para a norma Lp é a seguinte: 

        L p (Pa, Pd) = (․ y \|\|P a - P d \|\| p) 1/p

Onde a distância da norma p entre os pontos x e y é definida da seguinte forma:

        L p (x, y) = (\|x 1 -y 1 \| p \+ \|x -y \| p \+... n \+\|x 2 -y 2 \| p) n 1/p 

A norma 2 é a norma euclidiana. Suponha que você tenha uma distribuição de resultados com três categorias, por exemplo, yi = {y0, y1, y2} = {aceito, na lista de espera, rejeitado} em um cenário multicategórico de admissões em faculdades. Você obtém a soma dos quadrados das diferenças entre as contagens de resultados para as facetas *a* e *d*. A distância euclidiana resultante é calculada da seguinte forma:

        L 2 (Pa, Pd) = [(n a (0) - n d (0)) 2 \+ (n a (1) - n d (1)) 2 \+ (n a (2) - n d (2)) 2] 1/2

Em que: 
+ Númeroa(i) é o número dos resultados da i-ésima categoria na faceta *a*: por exemplo, na(0) é o número de aceitações da faceta *a*.
+ nd(i) é o número dos resultados da i-ésima categoria na faceta *d*: por exemplo, nd(2) é o número de rejeições da faceta *d*.

  O intervalo de valores de LP para resultados binários, multicategóricos e contínuos é [0, √2), onde:
  + Valores próximos de zero significam que os rótulos estão distribuídos de forma semelhante.
  + Valores positivos significam que as distribuições dos rótulos divergem; quanto mais positivas, maior a divergência.