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 proporções positivas nos rótulos previstos (DPPL)
<a name="clarify-post-training-bias-metric-dppl"></a>

A diferença nas proporções positivas na métrica de rótulos previstos (DPPL) determina se o modelo prevê resultados de forma diferente para cada faceta. É definido como a diferença entre a proporção de predições positivas (y' = 1) para a faceta *a* e a proporção de predições positivas (y' = 1) para a faceta *d*. Por exemplo, se as predições de modelo concederem empréstimos a 60% de um grupo de meia-idade (faceta *a*) e 50% de outras faixas etárias (faceta *d*), ele pode ser tendencioso contra a faceta *d*. Neste exemplo, você deve determinar se a diferença de 10% é relevante para um caso de desvio. 

Uma comparação da diferença nas proporções dos rótulos (DPL), uma medida do desvio no pré-treinamento, com o DPPL, uma medida do desvio no pós-treinamento, avalia se o desvio em proporções positivas, que está inicialmente presente no conjunto de dados, muda após o treinamento. Se o DPPL for maior que o DPL, o desvio em proporções positivas aumentou após o treinamento. Se o DPPL for menor que o DPL, o modelo não teve aumento no desvio em proporções positivas após o treinamento. A comparação do DPL com o DPPL não garante que o modelo reduza o desvio em todas as dimensões. Por exemplo, o modelo ainda pode ser tendencioso ao considerar outras métricas, como [Teste de inversão contrafactual (FT)](clarify-post-training-bias-metric-ft.md) ou [Diferença de precisão (AD)](clarify-post-training-bias-metric-ad.md). Para obter mais informações sobre a detecção de preconceitos, consulte a postagem do blog [Saiba como o Amazon SageMaker Clarify ajuda a detectar preconceitos](https://aws.amazon.com/blogs/machine-learning/learn-how-amazon-sagemaker-clarify-helps-detect-bias/). Consulte [Diferença nas proporções dos rótulos (DPL)](clarify-data-bias-metric-true-label-imbalance.md) para mais informações sobre DPL.

A fórmula do DPPL é:



        DPPL = q'a - q'd

Em que:
+ q'a = n'a(1)/na é a proporção prevista da faceta *a* que obtém um resultado positivo de valor 1. Em nosso exemplo, a proporção de uma faceta de meia-idade prevista para a concessão de um empréstimo. Aqui, n'a(1) representa o número de membros da faceta *a* que obtêm um resultado positivo previsto de valor 1 e na é o número de membros da faceta *a*. 
+ q'd = n'd(1)/nd é a proporção prevista da faceta *d* que obtém um resultado positivo de valor 1. Em nosso exemplo, uma faceta de pessoas mais velhas e mais jovens previu a concessão de um empréstimo. Aqui, n'd(1) representa o número de membros da faceta *d* que obtêm um resultado positivo previsto e nd é o número de membros da faceta *d*. 

Se o DPPL estiver próximo o suficiente de 0, isso significa que a *paridade demográfica* pós-treinamento foi alcançada.

Para rótulos de facetas binárias e multicategóricas, os valores de DPL variam ao longo do intervalo [-1, 1]. Para rótulos contínuos, os valores variam ao longo do intervalo (-∞, \+∞). 
+ Valores positivos de DPPL indicam que a faceta *a* tem uma proporção maior de resultados positivos quando comparada com a faceta *d*. 

  Isso é conhecido como *desvio positivo*.
+ Valores de DPPL próximos de zero indicam uma proporção mais igual de resultados positivos previstos entre as facetas *a* e *d* e um valor de zero indica paridade demográfica perfeita. 
+ Valores negativos de DPPL indicam que a faceta *d* tem uma proporção maior de resultados positivos quando comparada com a faceta *a*. Isso é conhecido como *desvio negativo*.