---
title: "均等機率（Equalized Odds）"
slug: equalized-odds
language: zh-TW
source: https://aiterms.tw/terms/equalized-odds
updated_at: 2026-06-22
tags: [AI公平性, 偏差與公平, 分類評估, 倫理AI, iPAS]
ipas_term: false
---

# 均等機率（Equalized Odds）

AI 公平性指標，要求模型對不同群體（如不同性別或族群）的真陽性率與假陽性率均相等。

## 完整說明

均等機率（Equalized Odds）是機器學習公平性的評估標準之一，要求分類模型在各個受保護群體中，同時滿足相同的真陽性率（TPR）與相同的假陽性率（FPR），確保模型不會對某一群體存在系統性偏差。

## 常見問題

### 均等機率和人口均等（Demographic Parity）有什麼差別？

人口均等要求各群體獲得正向預測的比例相同，不考慮實際標籤。例如，要求男女性的貸款批准率相同（各 50%），不管他們實際的信用狀況如何。這可能導致為了湊比例，批准一些信用不佳的申請者或拒絕一些信用良好的申請者。均等機率則在條件上更精準，它要求：在實際信用良好的人中，男女被批准的比例相同；在實際信用不佳的人中，男女被拒絕的比例也相同。因此均等機率既追求公平對待，又不違背模型的預測準確性原則，在許多場景中被認為是更合理的公平性定義。

### 如果一個模型無法同時滿足多種公平性指標，應該怎麼選擇？

這是 AI 公平性領域的核心難題。數學上已被證明，當不同群體的正例基礎率不同時，完美的校準（Calibration）與均等機率無法同時成立。選擇哪個公平性指標，本質上是一個社會價值觀的決策，而非純粹的技術問題。應對方式包括：首先明確應用場景的利害關係（誰受到傷害、傷害的嚴重程度）；其次與法律合規、倫理委員會以及受影響群體的代表共同討論；接著選擇最能反映「公平」核心價值的指標；最後透明地公開使用的公平性定義與相關指標數據，讓外部進行監督。沒有「一體適用」的公平性指標，情境決定選擇。

### 均等機率在技術上如何實現？有哪些常見方法？

實現均等機率的方法主要分三類。前處理（Pre-processing）方法在訓練前對資料進行修改，例如重新採樣讓各群體的分佈更均衡，或使用公平性感知的特徵選擇。訓練中（In-processing）方法在模型訓練時加入公平性約束，例如在損失函數中加入懲罰項，讓模型在最小化預測誤差的同時也最小化各群體 TPR/FPR 的差異。後處理（Post-processing）方法在模型訓練完成後調整輸出，最常見的是對不同群體設定不同的分類閾值，例如女性群體用 0.4 作為正例門檻、男性用 0.6，使兩者的 TPR 與 FPR 趨於相等。後處理方法不需要重新訓練模型，實作上最靈活，但可能稍微犧牲整體準確性。

---

來源：https://aiterms.tw/terms/equalized-odds
快查頁：https://aiterms.tw/terms/equalized-odds
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-equalized-odds