條件接受的差異 （DCAcc）

此指標將比較觀察標籤與模型預測標籤，並評估各個構面獲得預測正值結果是否相同。此指標接近模仿人類偏差，因為與訓練資料集中的標籤 (標籤 y) 相比，它量化模型在某個構面的正面結果 (標籤 y') 了多少。例如，如果與包含其他年齡組 (構面 d) 相比，在中年組 (構面 a) 的貸款申請訓練資料集中觀察接受次數 (正值結果)，比不同資格的模型預測要多。這可能表示貸款核准方式存在有利於中年族群的潛在偏差。

條件式接受差異的公式：

        DCAcc = c_a - c_d

其中：

DCAcc 指標可以擷取正面和負面偏差，根據資格顯示優惠待遇。考慮以下不同年齡的貸款接受偏差情況。

範例 1：正偏差

假設我們的資料集有 100 個中年人 (構面 a) 和來自其他年齡組的 50 人 (構面 d) 申請貸款，其中模型建議構面 a 有 60 和構面 d 有 30 給予貸款。因此，預測的比例相對於DPPL指標是無偏差的，但觀察到的標籤顯示，從構面 a 中 70 個，從構面 d 中 20 個獲得貸款。換句話說，比訓練資料建議的 (70/60 = 1.17) 觀察標籤，模型允許中年構面多 17% 的貸款，並且比觀察標籤建議的 (20/30 = 0.67)，允許其他年齡組多 33% 的貸款。DCAcc 值的計算提供下列項目：

        DCAcc = 70/60 - 20/30 = 1/2

正值表示對中年構面 a 有潛在偏差，與其他構面 d 相比，接受率低於觀察資料 (視為無偏差)。

範例 2：負偏差

假設我們的資料集有 100 個中年人 (構面 a) 和來自其他年齡組的 50 人 (構面 d) 申請貸款，其中模型建議構面 a 有 60 和構面 d 有 30 給予貸款。因此，預測的比例在DPPL指標方面是無偏差的，但觀察到的標籤顯示，50 個來自構面 a，40 個來自構面 d。換句話說，比訓練資料建議的 (50/60 = 0.83) 觀察標籤，模型允許中年構面多 17% 的貸款，並且比觀察標籤建議的 (40/30 = 1.33)，允許其他年齡組多 33% 的貸款。DCAcc 值的計算提供下列項目：

        DCAcc = 50/60 - 40/30 = -1/2

負值顯示與中年構面 a 相比，觀察資料 (視為無偏差) 顯示構面 d 具有較低接受率的潛在偏差。

請注意，您可以使用 DCAcc 來協助您在 設定中 human-in-the-loop監督模型預測的人，偵測潛在的 （非蓄意） 偏差。例如，假設模型的預測 y' 是無偏差，但最終決定是由一個人 (可能使用其他功能) 做出的，他們可以改變模型預測以生成 y' 的新版本和最終版本。人類的額外處理可能會無意中拒絕一個構面不成比例數字的貸款。DCAcc 有助於偵測這類潛在偏差。

二進位、多類別構面和連續性標籤的條件式接受差異值範圍是 (-∞, +∞)。