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.

# Igualdade de tratamento (TE)
<a name="clarify-post-training-bias-metric-te"></a>

A igualdade de tratamento (TE) é a diferença na proporção de falso-negativos para falso-positivos entre as facetas *a* e *d*. A ideia principal dessa métrica é avaliar se, mesmo que a precisão entre os grupos seja a mesma, os erros são mais prejudiciais a um grupo do que a outro? A taxa de erro vem do total de falso-positivos e falso-negativos, mas o detalhamento desses dois pode ser muito diferente pelas facetas. O TE mede se os erros estão compensando de forma semelhante ou diferente em todas as facetas. 

A fórmula da igualdade de tratamento:

        TE = FNd/FPd - FNa/FPa

Em que:
+ FNd são os falso-negativos previstos para a faceta *d*.
+ FPd são os falso-positivos previstos para a faceta *d*.
+ FNa são os falso-negativos previstos para a faceta *a*.
+ FPa são os falso-positivos previstos para a faceta *a*.

Observe que a métrica se torna ilimitada se FPa ou FPd for zero.

Por exemplo, suponha que haja 100 pessoas pedindo empréstimos da faceta *a* e 50 da faceta *d*. Para a faceta *a*, 8 tiveram um empréstimo negado erroneamente (FNa) e outros 6 foram aprovados erroneamente (FPa). As predições restantes eram verdadeiras, então TPa \$1 TNa = 86. Para a faceta *d*, 5 foram negadas erroneamente (FNd) e 2 foram aprovadas erroneamente (FPd). As predições restantes eram verdadeiras, então TPd \$1 TNd = 43. A proporção de falso-negativos para falso-positivos é igual a 8/6 = 1,33 para a faceta *a* e 5/2 = 2,5 para a faceta *d*. Portanto, TE = 2,5 - 1,33 = 1,167, embora ambas as facetas tenham a mesma precisão:

        ACCa = (86)/(86\$1 8 \$1 6) = 0,86

        ACCd = (43)/(43 \$1 5 \$1 2) = 0,86

O intervalo de valores para diferenças na rejeição condicional para rótulos binários e de facetas multicategóricas é (-∞, \$1∞). A métrica TE não está definida para rótulos contínuos. A interpretação dessa métrica depende da importância relativa de falso-positivos (erro do tipo I) e dos falso-negativos (erro do tipo II). 
+ Valores positivos ocorrem quando a proporção de falso-negativos para falso-positivos da faceta *d* é maior que da faceta *a*. 
+ Valores próximos de zero ocorrem quando a proporção de falso-negativos e falso-positivos para a faceta *a* é semelhante à da faceta *d*. 
+ Valores negativos ocorrem quando a proporção de falso-negativos para falso-positivos da faceta *d* é menor que da faceta *a*.

**nota**  
Uma versão anterior afirmava que a métrica de Igualdade de Tratamento é calculada como FPa / FNa - FPd / FNd em vez de FNd / FPd - FNa / FPa. Embora qualquer uma das versões possa ser usada. Para obter mais informações, 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).