本頁面由 Cloud Translation API 翻譯而成。

公平性：機會平等
透過集合功能整理內容你可以依據偏好儲存及分類內容。

在上一節中，我們使用客層一致性，也就是比較客層群組。

或者，我們也可以只比較成年人和少數族群的候選人。如果接受率兩組的合格學生比例相等 機會平等：標籤 (「符合入場資格」) 的學生刊登廣告的機率 (不論他們屬於哪個客層群組) 。

讓我們回顧上一節的候選模型：

	多數群組	少數族群
符合資格	35	15
不符資格	45	5

假設許可模型接受大多數群組的 14 位候選人未成年人中有 6 位候選人。會滿足模型的決策等於合作對象的接受率符合資格的少數對象為 40%

下表量化了支援遭拒和已接受的號碼圖 4 中的候選文字。

優點和缺點

機會平等的主要優點在於模型能預測出的陽性與負面預測的比例與不同客層的差距，前提是模型在預測偏好標籤時成效相等 (「符合入場資格」)。

圖 4 中的模型預測結果「不」符合客層一致。多數學生的接受機會為 17.5%，且該少數學生有 30% 的機會獲選。不過凡是符合資格的學生，都有機會獲得 40% 的申請通過，這個結果同樣可以看出特定模型用途

機會平等的缺點之一，就是是專為使用設計特別適合用到清楚的偏好標籤的情況是否同樣重要模型預測正向類別 (「符合入學資格」) 和負面類別 (「不符合入學資格」)，建議您改用 等值勝率，會強制實施確保兩個標籤的成功率相同

另一個機會平等的缺點是評估公平性藉由比較客層群組的錯誤率不一定每次都能可行例如，假設我們的入學模型資料集不含 demographic_group 的功能，因此無法列出符合資格的多數和少數候選人的接受率進行比較

在下一節中，我們會探討另一個公平性指標「反事實」(counterfactual) 公平性 (可運用在客層資料不適用的情況下) 。

是非題：二元分類模型不可能來同時滿足也能使用同一組預測結果

是

模型的預測結果有可能同時符合兩個客層商機的對等性和平等。試試看只須符合兩項指標的條件查看相關說明。

否

模型的預測結果有可能同時符合兩個客層商機的對等性和平等。

舉例來說，假設有個二元分類器 (偏好使用標籤的人員) 是正類別) 以 100 個樣本評估，結果中顯示的混淆矩陣客層群組 (少數與少數族群)：

	多數群組		少數族群
	預測為陽性	預測性陰性	預測為陽性	預測性陰性
實際為正值	6	12	3	6
實際為負值	10	36	6	21
	\(\text{Positive Rate} = \frac{6+10}{6+10+12+36} = \frac{16}{64} = \text{25%}\) \(\text{True Positive Rate} = \frac{6}{6+12} = \frac{6}{18} = \text{33%}\)		\(\text{Positive Rate} = \frac{3+6}{3+6+6+21} = \frac{9}{36} = \text{25%}\) \(\text{True Positive Rate} = \frac{3}{3+6} = \frac{3}{9} = \text{33%}\)

多數和少數族群的預測率都是正值達到 25% 的客層門檻，並滿足客層條件，而且真陽性 (具有偏好標籤的範例百分比) 正確分類) 佔 33%，滿足商機平等