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.

# Diferença nas taxas de aceitação (DAR)
<a name="clarify-post-training-bias-metric-dar"></a>

A diferença na métrica das taxas de aceitação (DAR) é a diferença nas proporções entre as predições positivas verdadeiras (TP) e as positivas observadas (TP \+ FP) para as facetas *a* e *d*. Essa métrica mede a diferença na precisão do modelo para prever as aceitações dessas duas facetas. A precisão mede a fração de candidatos qualificados do conjunto de candidatos qualificados identificados como tal pelo modelo. Se a precisão do modelo para prever candidatos qualificados diverge entre as facetas, isso é um desvio e sua magnitude é medida pela DAR.

A fórmula para a diferença nas taxas de aceitação entre as facetas *a* e *d*:

        DAR = TPa/(TPa \+ FPa) - TPd/(TPd \+ FPd) 

Em que:
+ TPa são os positivos verdadeiros previstos para a faceta *a*.
+ FPa são os falso-positivos previstos para a faceta *a*.
+ TPd são os positivos verdadeiros previstos para a faceta *d*.
+ FPd são os falso-positivos previstos para a faceta *d*.

Por exemplo, suponha que o modelo aceite 70 candidatos de meia-idade (faceta *a*) para um empréstimo (rótulos positivos previstos), dos quais apenas 35 são realmente aceitos (rótulos positivos observados). Suponha também que o modelo aceite 100 candidatos de outras faixas etárias (faceta *d*) para um empréstimo (rótulos positivos previstos), dos quais apenas 40 são realmente aceitos (rótulos positivos observados). Então DAR = 35/70 - 40/100 = 0,10, o que indica um viés potencial contra pessoas qualificadas da segunda faixa etária (faceta *d*).

O intervalo de valores para DAR para rótulos binários, contínuos e de facetas multicategóricas é [-1, \+1].
+ Valores positivos ocorrem quando a razão entre os positivos previstos (aceitações) e os resultados positivos observados (candidatos qualificados) para a faceta *a* é maior que a mesma proporção para a faceta *d*. Esses valores indicam um possível desvio contra a faceta desfavorecida *d* causada pela ocorrência de relativamente mais falso-positivos na faceta *d*. Quanto maior a diferença nas proporções, mais extremo é o desvio aparente.
+ Valores próximos de zero ocorrem quando a proporção entre os positivos previstos (aceitações) e os resultados positivos observados (candidatos qualificados) para as facetas *a* e *d* têm valores semelhantes, indicando que os rótulos observados para resultados positivos estão sendo previstos com igual precisão pelo modelo.
+ Valores negativos ocorrem quando a razão entre os positivos previstos (aceitações) e os resultados positivos observados (candidatos qualificados) para a faceta *d* é maior do que a mesma proporção para a faceta *a*. Esses valores indicam um possível desvio contra a faceta favorecida *a* causado pela ocorrência de relativamente mais falso-positivos na faceta *a*. Quanto mais negativa for a diferença nas proporções, mais extremo será o desvio aparente.