Selecione suas preferências de cookies

Usamos cookies essenciais e ferramentas semelhantes que são necessárias para fornecer nosso site e serviços. Usamos cookies de desempenho para coletar estatísticas anônimas, para que possamos entender como os clientes usam nosso site e fazer as devidas melhorias. Cookies essenciais não podem ser desativados, mas você pode clicar em “Personalizar” ou “Recusar” para recusar cookies de desempenho.

Se você concordar, a AWS e terceiros aprovados também usarão cookies para fornecer recursos úteis do site, lembrar suas preferências e exibir conteúdo relevante, incluindo publicidade relevante. Para aceitar ou recusar todos os cookies não essenciais, clique em “Aceitar” ou “Recusar”. Para fazer escolhas mais detalhadas, clique em “Personalizar”.

Diferença nas taxas de rejeição (DRR)

Modo de foco
Diferença nas taxas de rejeição (DRR) - SageMaker IA da Amazon

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

A diferença na métrica das taxas de rejeição (DRR) é a diferença nas proporções da predições negativas verdadeiras (TN) em relação às negativas observadas (TN + FN) para as facetas a e d. Essa métrica mede a diferença na precisão do modelo para prever as rejeições dessas duas facetas. A precisão mede a fração de candidatos não qualificados do conjunto de candidatos não qualificados que são identificados como tal pelo modelo. Se a precisão do modelo para prever candidatos não qualificados diverge entre as facetas, isso é um desvio e sua magnitude é medida pelo DRR.

A fórmula para a diferença nas taxas de rejeição entre as facetas a e d:

        DRR = TNd/(TNd + FNd) - TNa/(TNa + FNa)

Os componentes da equação DRR anterior são os seguintes:

  • TNd são os negativos verdadeiros previstos para a faceta d.

  • FNd são os falso-negativos previstos para a faceta d.

  • TPa são os negativos verdadeiros previstos para a faceta a.

  • FNa são os falso-negativos previstos para a faceta a.

Por exemplo, suponha que o modelo rejeite 100 candidatos de meia-idade (faceta a) para um empréstimo (rótulos negativos previstos), dos quais 80 são, na verdade, não qualificados (rótulos negativos observados). Suponha também que o modelo rejeite 50 candidatos de outras faixas etárias (faceta d) para um empréstimo (rótulos negativos previstos), dos quais apenas 40 são realmente não qualificados (rótulos negativos observados). Então DRR = 40/50 - 80/100 = 0, portanto, nenhum desvio é indicado.

O intervalo de valores para DRR para rótulos binários, contínuos e de facetas multicategóricas é [-1, +1].

  • Valores positivos ocorrem quando a proporção entre os negativos previstos (rejeições) em relação aos resultados negativos observados (candidatos não qualificados) para a faceta d é maior do que a mesma proporção para a faceta a. Esses valores indicam um possível desvio contra a faceta favorecida a causado pela ocorrência de relativamente mais falso-negativos na faceta a. Quanto maior a diferença nas proporções, mais extremo é o desvio aparente.

  • Valores próximos de zero ocorrem quando a razão entre os negativos previstos (rejeições) e os resultados negativos observados (candidatos não qualificados) para as facetasa e d têm valores semelhantes, indicando que os rótulos observados para resultados negativos estão sendo previstos com igual precisão pelo modelo.

  • Valores negativos ocorrem quando a proporção entre os negativos previstos (rejeições) e os resultados negativos observados (candidatos não qualificados) para a faceta a é maior do que a facetad da proporção. Esses valores indicam um possível desvio contra a faceta desfavorecida d causada pela ocorrência de relativamente mais falso-positivos na faceta d. Quanto mais negativa for a diferença nas proporções, mais extremo será o desvio aparente.

PrivacidadeTermos do sitePreferências de cookies
© 2025, Amazon Web Services, Inc. ou suas afiliadas. Todos os direitos reservados.