什么是 均衡赔率（Equalized Odds）？
均衡赔率（Equalized Odds）是一项群体公平标准，要求在观测结果给定后，预测与受保护群体身份在统计上条件独立；对二分类而言，即各群体拥有相同的真正率和假正率。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
在每种观测结果内部比较错误
对每个群体，在已标记正例中计算 TPR=TP/(TP+FN)，在已标记负例中计算 FPR=FP/(FP+TN)。两种差距都要报告，因为敏感度相同仍可能伴随不同误报负担。Hardt、Price 与 Srebro提出 Equalized Odds，并给出可以使用群体信息变换分数或分类器的后处理构造。
把标签视为测量，而不是无条件真值
条件错误率会继承标签过程中的全部缺陷。如果只有获批申请者才产生后续结果，执法强度改变案件记录，或医疗可及性影响诊断，那么各群体面对的标签生成机制并不相同。把差距缩小解释为待遇更公平之前，应审计缺失、选择、裁决一致性、时间范围和干预效应。
联合评估阈值、随机化与取舍
分群阈值或随机后处理可以缩小测得差异，但可能受到法律限制、运营不稳定，或不符合产品策略。当观测基础发生率不同且预测不完美时，均衡赔率还可能与预测性平价冲突。不能只优化一个最大差距；应同时比较效用与伤害、置信区间、校准、子群样本支持和下游行动。
主要特点
- 在观测结果标签条件下比较群体公平性
- 要求各群体真正率与假正率同时相等
- 包含只约束一个类别的 Equal Opportunity 放宽形式
- 高度依赖标签有效性、可获得性、时点与一致性
- 可通过训练约束、阈值或后处理近似满足
- 可能与校准或预测性平价目标冲突
常见用途
- 比较合格候选人的召回率与不合格候选人的晋级率
- 审计信贷决策中的错误拒绝和错误批准模式
- 按群体评估临床告警敏感度与误报负担
- 在有利和不利错误都有成本时监控阈值变化
- 检验后处理器能否泛化到验证人群以外
示例
Loading code...常见问题
均衡赔率如何计算？
对每个群体，在观测正例中计算真正率，在观测负例中计算假正率，再比较两种比率并报告样本数和不确定性。如果某个群体标签分层中没有样本，指标没有定义，程序不能静默把结果填成零。
均衡赔率与机会均等有什么区别？
均衡赔率同时约束真正率和假正率；机会均等通常只约束被指定为有利结果的真正率。后一种放宽形式适合漏掉获益机会是主要风险的情境，但它明确不限制另一类错误，不能冒充完整 Equalized Odds。
标签存在偏差时还能相信均衡赔率吗？
必须非常谨慎。该指标把观测标签当作条件参考。如果标签受到选择性观测、不平等可及性、既往执法或不一致裁决影响，即使条件错误率相等，也可能保留这些扭曲。标签生成过程本身必须进入公平审计。
为什么均衡赔率会与预测性平价冲突？
当群体观测结果发生率不同且预测并不完美时，真正率与假正率相等通常会导致正预测值不同；反过来，让正预测值相等通常会保留部分条件错误率差异。团队必须说明更关注哪一种错误或决策属性。
对不同群体使用不同阈值就能解决问题吗？
分群阈值可以缩小验证集上的差异，但不能证明这种处理合法、可接受、稳定或有益。阈值会漂移，标签可能不完整，下游负担也会变化。策略、法律、不确定性和运营证据都需要共同审查。