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。

# 接受率 (DAR) 差異
<a name="clarify-post-training-bias-metric-dar"></a>

接受率差異 (DAR) 指標是在真陽性 (TP) 預測與構面 *a* 和 *d* 的差異觀察陽性 (TP \+ FP) 的比率差異。此指標會測量模型精確度的差異，以預測這兩個構面的接受次數。精確度會測量由模型定義的合格申請人池，其中的合格申請人分數。如果用於預測合格申請人的模型精確度在各個構面之間發生偏差，此為一種偏差，其幅度由 DAR 測量。

構面 *a* 和 *d* 間的接受率差異公式：

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

其中：
+ TPa 是構面 *a* 預測的真陽性。
+ FPa 是構面 *a* 預測的偽陽性。
+ TPd 是構面 *d* 預測的真陽性。
+ FPd 是構面 *d* 預測的偽陽性。

例如，假設該模型接受 70 名中年申請人(構面 *a*)的貸款申請 (預測正值標籤)，其中只有 35 人實際接受 (觀察正值標籤)。還假設該模型接受其他年齡人口統計學 (構面 *d*) 的 100 位申請人貸款 (預測陽性標籤)，其中只有 40 人實際接受 (觀察正值標籤)。然後 DAR = 35/70 - 40/100 = 0.10，這顯示對第二個年齡組 (構面 *d*) 的合格人士存在潛在偏差。

二進位、多類別構面和連續性標籤的 DAR 值範圍為 [-1, \+1]。
+ 當構面 *a* 的預測陽性 (接受次數) 與觀察正值結果 (合格申請人) 的比率大於構面 *d* 的相同比率時，會出現正值。這些值顯示由於在構面 *d* 中發生相對較多偽陽性，導致對不利構面 *d* 可能產生偏差。比率的差異越大，明顯的偏差越極端。
+ 當構面s *a* 和 *d* 的預測陽性 (接受次數) 與觀察正值結果 (合格的申請人) 的比率具有類似的值，表示正值結果的觀察標籤以具有相等精確度的模型預測，會出現接近零的值。
+ 當構面 *d* 的預測陽性 (接受次數) 與觀察正結果 (合格申請人) 的比率大於構面 *a* 的比率時，會出現負值。這些值顯示由於在構面 *a* 中發生相對較多偽陽性，導致對有利構面 *a* 可能產生偏差。比率的差異值越負，明顯的偏差就越極端。