公平性：評估偏誤
透過集合功能整理內容
你可以依據偏好儲存及分類內容。
評估模型時，系統會依據整個測試或驗證計算指標
因此無法準確說明模型合理性
在大多數範例，整體模型效能都表現可能不佳
對少數樣本的執行成效，可能會導致偏誤
模型預測結果你可以使用匯總成效指標，例如
精確度、
喚回度、
且準確率也未必會降低
來暴露這些問題
我們可以回顧門票模式，並探索一些新技巧
。
假設入學分類模型選出 20 位學生參加
來自 100 位候選人的大學，且屬於以下兩個客層：
多數團體 (藍色，80 名學生) 和少數族群
(橘色，20 名學生)。
圖 1：100 名學生的候選人群：80 位學生屬於
多數族群 (藍色)，20 名學生屬於少數族群
(橘色)。
模型必須承認符合資格的學生
兩個客層內的候選人。
如何評估模型預測的公平性？有許多
各指標都提供不同的數學運算
「公平性」的定義後續各節將探討三種
包括客層公平性、商機平等
以及反事實的公平性
除非另有註明，否則本頁面中的內容是採用創用 CC 姓名標示 4.0 授權，程式碼範例則為阿帕契 2.0 授權。詳情請參閱《Google Developers 網站政策》。Java 是 Oracle 和/或其關聯企業的註冊商標。
上次更新時間：2024-08-13 (世界標準時間)。
[[["容易理解","easyToUnderstand","thumb-up"],["確實解決了我的問題","solvedMyProblem","thumb-up"],["其他","otherUp","thumb-up"]],[["缺少我需要的資訊","missingTheInformationINeed","thumb-down"],["過於複雜/步驟過多","tooComplicatedTooManySteps","thumb-down"],["過時","outOfDate","thumb-down"],["翻譯問題","translationIssue","thumb-down"],["示例/程式碼問題","samplesCodeIssue","thumb-down"],["其他","otherDown","thumb-down"]],["上次更新時間：2024-08-13 (世界標準時間)。"],[],[]]
