Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Igualdad de tratamiento (TE)
La igualdad de tratamiento (TE) es la diferencia en la relación entre falsos negativos y falsos positivos entre las facetas a y d. La idea principal de esta métrica es evaluar si, aunque la precisión entre los grupos sea la misma, se da el caso de que los errores perjudiquen más a un grupo que a otro. La tasa de error proviene del total de falsos positivos y falsos negativos, pero el desglose de estos dos factores puede ser muy diferente en las facetas. La TE mide si los errores se compensan de manera similar o diferente en todas las facetas.
La fórmula para la igualdad de tratamiento:
TE = FNd/FPd - FNa/FPa
Donde:
-
FNd son los falsos negativos predichos para la faceta d.
-
FPd son los falsos positivos predichos para la faceta d.
-
FNa son los falsos negativos predichos para la faceta a.
-
FPa son los falsos positivos predichos para la faceta a.
Tenga en cuenta que la métrica se vuelve ilimitada si FPa o FPd es cero.
Por ejemplo, suponga que hay 100 solicitantes de préstamos de la faceta a y 50 de la faceta d. En el caso de la faceta a, a 8 se les denegó erróneamente un préstamo (FNa) y a otros 6 se les aprobó erróneamente (FPa). El resto de las predicciones eran ciertas, por lo que TPa + TNa = 86. En el caso de la faceta d, 5 fueron rechazadas erróneamente (FNd) y 2 fueron aprobadas erróneamente (FPd). El resto de las predicciones eran ciertas, por lo que TPd + TNd = 43. La relación entre falsos negativos y falsos positivos es igual a 8/6 = 1,33 para la faceta a y 5/2 = 2,5 para la faceta d. Por lo tanto, TE = 2,5 - 1,33 = 1,167, aunque ambas facetas tienen la misma precisión:
ACCa= (86)/(86+ 8 + 6) = 0.86
ACCd= (43)/(43 + 5 + 2) = 0,86
El rango de valores para las diferencias en el rechazo condicional de etiquetas de facetas binarias y multicategoría es (-∞, +∞). La métrica TE no está definida para etiquetas continuas. La interpretación de esta métrica depende de la importancia relativa de los falsos positivos (error de tipo I) y los falsos negativos (error de tipo II).
-
Los valores positivos se producen cuando la relación entre falsos negativos y falsos positivos de la faceta d es mayor que la de la faceta a.
-
Los valores cercanos a cero se producen cuando la relación entre falsos negativos y falsos positivos de la faceta a es similar a la de la faceta d.
-
Los valores negativos se producen cuando la relación entre falsos negativos y falsos positivos de la faceta d es menor que la de la faceta a.
nota
En una versión anterior se indicaba que la métrica de igualdad de tratamiento se calculaba como FPa / FNa - FPd / FNd en lugar de FNd / FPd - FNa / FPa. No obstante, se puede utilizar cualquiera de las versiones. Para obtener más información, consulte Fairness measures for Machine Learning in
Finance
