查看“︁補償機率”︁的源代码

'''補償機率'''<ref>{{cite news |author1=陳婉容 |author2=朱孝文 |title=不看膚色就沒有歧視？「種族中立」為何會變成「色盲種族主義」 |url=https://www.thenewslens.com/article/133933?fbclid=IwAR11ptnkWDF9UdgjUngsydv6ZgBrpIon4TDt_4lDYCLPGckzhWphYLBI7WE |publisher=關鍵評論 |date=2020-04-17 |accessdate=2020-12-26 |archive-date=2021-01-29 |archive-url=https://web.archive.org/web/20210129074008/https://www.thenewslens.com/article/133933?fbclid=IwAR11ptnkWDF9UdgjUngsydv6ZgBrpIon4TDt_4lDYCLPGckzhWphYLBI7WE |dead-url=no }}</ref>（英語：Equalized odds<ref>{{cite journal |last1=Hardt |first1=Moritz |title=Equality of Opportunity in Supervised Learning |journal=Neural Information Processing Systems |date=10/7/2016 |url=https://papers.nips.cc/paper/2016/hash/9d2682367c3935defcb1f9e247a97c0d-Abstract.html |access-date=2020-12-26 |archive-date=2021-03-12 |archive-url=https://web.archive.org/web/20210312012329/https://papers.nips.cc/paper/2016/hash/9d2682367c3935defcb1f9e247a97c0d-Abstract.html |dead-url=no }}</ref>），又稱'''均等化赔率'''和'''差异性错误处理'''，是[[机器学习]]中衡量[[公平性]]的一种方法。如果受保护组和未受保护组的被试者的真阳率和假阳率相等<ref>{{cite web |title=Fairness in ML 2: Equal opportunity and odds |url=https://www2.cs.duke.edu/courses/fall18/compsci590.1/lectures/FairML2.pdf |website=https://www2.cs.duke.edu/ |publisher=Duke Computer Science |access-date=2020-12-26 |archive-date=2020-11-27 |archive-url=https://web.archive.org/web/20201127003314/https://www2.cs.duke.edu/courses/fall18/compsci590.1/lectures/FairML2.pdf |dead-url=no }}</ref>，满足以下公式，则分类器满足这一定义：

<math display="block"> P(R = + | Y = y, A = a) = P(R = + | Y = y, A = b) \quad y \in \{+,-\} \quad \forall a,b \in A </math>

舉一個例子，<math>A</math>可以為性別、種族等我們希望沒有偏見的特徵，而<math>Y</math>為該人是否能夠勝任學位，輸出<math>R</math>則為學校決定是否給予該人入讀學位。在這語境下，獲得同樣考試成績的美國黑人的大學入讀率比白人的大學入讀率高也可以符合補償機率的條件。

最初，这个概念是针对二元类的定义。2017年，Blake Woodworth进一步将该概念推廣为多类<ref>{{cite journal |last1=Woodworth |first1=Blake |title=Learning Non-Discriminatory Predictors Blake |journal=Proceedings of Machine Learning Research |date=2017 |volume=65 |page=1-34 |url=https://arxiv.org/abs/1702.06081 |access-date=2020-12-26 |archive-date=2020-07-27 |archive-url=https://web.archive.org/web/20200727165232/https://arxiv.org/abs/1702.06081 |dead-url=no }}</ref>。

==參考條目==
*[[公平]]
*[[色盲 (種族分類)]]

==參考文獻==
{{reflist}}

[[Category:机器学习]]
[[Category:計算與社會]]
[[Category:歧視]]
[[Category:偏差]]