本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 準確度差異 (AD)
<a name="clarify-post-training-bias-metric-ad"></a>

準確度差異 (AD) 指標是不同構面的預測準確度之間的差異。此指標決定模型的分類對於一個構面是否比另一個更精確。AD 指出一個構面是否會產生類第一型和類第二型錯誤的比例較大。但它無法區分第一型和第二型錯誤。例如，模型對於不同年齡人口統計資料可能具有相同的準確性，但對於一個基於年齡的羣體來說，誤差主要是偽陽性 (第一型錯誤)，另一個組的誤差大多為偽陽性 (第二型錯誤)。

此外，如果中年人口的貸款核准 (構面 *a*) 的準確性要高於其他年齡基於人口 (構面 *d*)，則第二組合格申請人中有更多比例被拒絕貸款 (FN) 或該組的不合格申請人中有更大比例獲得貸款 (FP) 或兩者兼而有之。這些指標中的大多數都是從不同人口統計組的二進位分類混淆矩陣中，獲得的數字的組合。

AD 指標的公式是構面 *a*、ACCa 的預測準確度減去構面 *d*、ACC d的預測準確度之間的差異：

        AD = 累積 a-累積 d

其中：
+ ACCa = (TPa \+ TNa)/(TPa \+ TNa \+ FPa \+ FNa) 
  + TPa 是構面 *a* 預測的真陽性
  + TNa 是構面 *a* 預測的真陰性
  + FPa 是構面 *a* 預測的偽陽性
  + FNa 是構面 *a* 預測的偽陰性
+ ACCd = (TPd \+ TNd)/(TPd \+ TNd \+ FPd \+ FNd)
  + TPd 是構面 *d* 預測的真陽性
  + TNd 是構面 *d* 預測的真陰性
  + FPd 是構面 *d* 預測的偽陽性
  + FNd 是構面 *d* 預測的偽陰性

例如，假設一個模型核准構面 *a* 100 位申請人中的 70 位申請人的貸款，而拒絕了另外 30 人。10 位不應該被提供貸款 (FPa) 和 60 本應該被核准的被核准 (TPa)。20 位本應該被核准的被拒絕 (FNa) 和 10 為被正確拒絕 (TNa)。構面 *a* 的精確度如下：

        ACCa = (60 \+ 10)/(60 \+ 10 \+ 20 \+ 10) = 0.7

例如，假設一個模型核准構面 *d* 100 位申請人中的 50 位申請人的貸款，而拒絕了另外 50 人。10 位不應該被提供貸款 (FPa) 和 40 本應該被核准的被核准 (TPa)。40 位本應該被核准的被拒絕 (FNa) 和 10 為被正確拒絕 (TNa)。構面 *a* 的精確度決定如下：

        ACCd= (40 \+ 10)/(40 \+ 10 \+ 40 \+ 10) = 0.5

因此，精確度差異是 AD = ACCa - ACCd = 0.7 - 0.5 = 0.2。這是由於指標為正值，因此對構面 *d* 存在偏差。

二進位和多類別構面標籤 AD 的值範圍為 [-1, \+1]。
+ 當構面 *a* 的預測準確度大於構面 *d* 的預測準確度時，會出現正值。這表示構面 *d* 受到一些偽陽性 (第一型錯誤) 或偽陰性 (第二型錯誤) 組合更多的影響。這表示對不利構面 *d* 存在潛在的偏差。
+ 當構面 *a* 的預測精確度與構面 *d* 的預測準確度相似時，會出現接近零的值。
+ 當構面 *d* 的預測精確度大於構面 *a* 的預測精確度時，會出現負值。這表示構面 *a* 受到一些偽陽性 (第一型錯誤) 或偽陰性 (第二型錯誤) 組合的影響更多。這表示對有利構面 *a* 具有偏差。