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。

# 拒絕率差異 (DRR)
<a name="clarify-post-training-bias-metric-drr"></a>

拒絕率差異 (DRR) 指標是在真陰性 (TN) 預測與構面 *a* 和 *d* 的差異觀察負值 (TP \$1 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拒絕情況。精確度會測量由模型定義的不合格申請人池，其中的不合格申請人分數。如果用於預測不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* 間的拒絕率差異公式：

        DRR = TNd/(TNd \$1 FNd) - TNa/(TNa \$1 FNa) 

先前 DRR 方程式的元件如下。
+ TNd 是構面 *d* 預測的真陰性。
+ FNd 是構面 *d* 預測的偽陰性。
+ TNa 是構面 *a* 預測的真陰性。
+ FNa 是構面 *a* 預測的偽陰性。

例如，假設該模型拒絕 100 名中年申請人 (構面 *a*) 的貸款申請 (預測負值標籤)，其中只有 80 人實際不符合資格 (觀察負值標籤)。還假設該模型拒絕 50 申請人來自其他年齡的人口統計學 (構面 *d*) 貸款 (預測負值標籤)，其中只有 40 實際上是不合格的 (觀察負值標籤)。然後 DRR = 40/50-80 /100 = 0，所以沒有指示偏差。

二進位、多類別構面和連續性標籤 DRR 的值範圍為 [-1, \$11]。
+ 當構面 *d* 的預測負值(拒絕)與觀察負值結果 (不合格申請人) 的比率大於構面 *a* 的相同比率時，會出現正值。這些值顯示由於在構面 *a* 中發生相對較多偽陰性，導致對有利構面 *a* 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* 的預測負值(拒絕)與觀察負值結果 (不合格申請人) 的比率具有類似的值時，會出現接近零的值，這表示模型會以相等的精確度預測負值結果的觀察標籤。
+ 當預測的負值 (拒絕) 與觀察負值結果的比率 (不合格的申請人) 為構面 *a* 大於比面 *d* 大時，會發生負值。這些值顯示由於在構面 *d* 中發生相對較多偽陽性所，導致對不利構面 *d* 可能產生偏差。比率的差異值越負，明顯的偏差就越極端。