公平性指标

公平性指标是评估机器学习模型在不同群体中表现是否公平的重要工具。以下是一些常用的公平性指标：

偏差度量（Bias Metrics）
- 偏差率（Bias Rate）：衡量模型预测结果与真实结果的偏差程度。
- 误差率（Error Rate）：衡量模型预测错误的频率。
敏感度（Sensitivity）
- 真阳性率（True Positive Rate, TPR）：也称为召回率（Recall），衡量模型正确识别正类样本的能力。
- 真阴性率（True Negative Rate, TNR）：也称为特异度（Specificity），衡量模型正确识别负类样本的能力。
公平性度量（Fairness Metrics）
- 基尼系数（Gini Coefficient）：衡量不同群体在模型中的表现差异。
- 公平性指数（Fairness Index）：衡量模型在不同群体中的预测误差是否一致。

更多关于公平性指标的内容，可以参考本站关于公平性指标的详细解读。