等化勝率（equalized odds）
/ EE-kwuh-lyzd ODZ /
等化勝率是一種公平定義，與人口統計均等不同，它會去關注「這個決定是否正確」。它問的是：在那些「本應得到肯定答覆」的人當中，模型給出肯定的可能性，是否不論群體都一樣？而在那些「本應得到否定答覆」的人當中，它錯誤地給出肯定的可能性，是否同樣不論群體都一樣？說白了就是：模型犯錯——無論哪一類錯——的比率，在各群體之間應當相等。
假設一項醫學檢查會把患者標記為「需要複診」。等化勝率要求：在真正患病的人裡，每個群體被查出來的比例應當相同（真陽性率相等）；在其實健康的人裡，每個群體被誤報的比例也應當相同（假陽性率相等）。它有意允許各群體「被標記的總比率」不同——如果他們的實際需求本就不同；它所禁止的，是那種比如在一個群體裡能查出90%的病人、在另一個群體裡卻只查出60%的系統。
它為何重要：等化勝率瞄準的是比人口統計均等更尖銳的傷害。它直接對抗「工具對一個群體好用、對另一個群體糟糕」的局面——即一個工具因你是誰，而更容易冤枉你，或更容易漏掉真實的病例。這恰恰是現實系統屢屢跌進的故障模式：從對深膚色面孔誤判率更高的人臉辨識，到對某個社區過度標記的風險評分。它的取捨要誠實交代：強推它可能逼模型整體準確率下降，而且你通常無法讓它與「校準一致」同時成立。
一個詐欺偵測系統，攔截了來自某國4%的合法交易，卻攔截了來自另一國同樣合法的交易中的12%。兩個群體的假陽性率不同，因此違反了等化勝率——第二個國家裡清白的顧客，承擔了系統更多的錯誤。
等化勝率要拉平的是「錯誤率」，而不只是「整體通過率」——它追問的是：誰在為這些錯誤買單。
一個常見的混淆：等化勝率不等於人口統計均等。「均等」拉平的是「給出肯定的頻率」；而「等化勝率」拉平的是「對那些應得者給出肯定的頻率」（以及錯誤地給不應得者的頻率）。當各群體在真實結果上確有差異時，二者會激烈地分道揚鑣。