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。

# 處理方式平等 (TE)
<a name="clarify-post-training-bias-metric-te"></a>

處理方式平等 (TE) 是構面 *a* 和 *d* 間的偽陰性與偽陽性比率差異。這個指標的主要目的是評估，即使群組之間的準確性相同，錯誤對一個群組的危害是否比另一個群組高？ 錯誤率來自偽陽性和偽陽性的總數，但總數的明細在構面間可能會有很大的不同。TE 測量錯誤是否以相似或不同的方式補償構面。

處理方式平等的公式：

        TE = FNd/FPd - FNa/FPa

其中：
+ FNd 是構面 *d* 預測的偽陰性。
+ FPd 是構面 *d* 預測的偽陽性。
+ FNa 是構面 *a* 預測的偽陰性。
+ FPa 是構面 *a* 預測的偽陽性。

請注意，如果 FP a 或 FP d 為零，則指標將變為無界。

例如，假設有構面 *a* 的 100 位貸款申請人和構面 *d* 的 50 位貸款申請人。對於構面 *a*，8 為被錯誤拒絕了貸款 (FNa)，另外 6 位被錯誤核准 (FPa)。其餘的預測是真實的，所以 TPa \$1 TNa = 86。對於構面 *d*，5 位被錯誤拒絕 (FNd)，2 位被錯誤核准 (FPd)。其餘的預測是真實的，所以 TPd \$1 TNd = 43。針對 構面 *a*，偽陰性與偽陽性的比率等於 8/6 = 1.33，而構面 *d* 則為 5/2 = 2.5。因此 TE = 2.5 - 1.33 = 1.167，即使兩個構面具有相同的精確度：

        ACCa = (86)/(86\$1 8 \$1 6) = 0.86

        ACCd = (43)/(43 \$1 5 \$1 2) = 0.86

二進位和多類別構面標籤的條件式拒絕差異值範圍為 (-∞, \$1∞)。TE 指標未定義為連續性標籤。此指標的解釋取決於偽陽性 (第一型誤差) 和偽陰性 (第二型誤差) 的相對重要性。
+ 當構面 *d* 的偽陰性與偽陽性比率大於構面 *a* 時，會出現正值。
+ 當構面 *a* 的偽陰性與偽陽性比率與構面 *d* 的比率相似時，會出現接近零的值。
+ 當構面 *d* 的偽陰性與偽陽性的比率小於構面 *a* 時，會發生負值。

**注意**  
先前版本列出的處理方式相等指標計算方式為 FPa / FNa - FPd / FNd 而不是 FNd / FPd - FNa / FPa。雖然任何一個版本都可以使用。如需詳細資訊，請參閱[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)。