باختصار
التكافؤ في احتمالات الخطأ (Equalized Odds) مقياس عدالة بيقيّم هل النموذج بيتنبّأ بالنتائج بنفس الكفاءة لكل قيم سمة حسّاسة، بالنسبة للفئة الموجبة والفئة السالبة معًا — مش فئة واحدة فقط.
بالتفصيل
بمعنى آخر: يجب أن يكون كلّ من معدّل الإيجابيات الصحيحة (True Positive Rate) ومعدّل السلبيات الخاطئة (False Negative Rate) متساويَين لكل المجموعات.
وده يميّزه عن تكافؤ الفرصة (Equality of Opportunity)، اللي بيركّز فقط على معدّل الخطأ لفئة واحدة (موجبة أو سالبة).
يعني التكافؤ في احتمالات الخطأ بيطلب حاجتين مع بعض: المؤهّلون فعلًا من كل المجموعات لازم يتقبلوا بنفس المعدّل (زي تكافؤ الفرصة)، وغير المؤهّلين فعلًا من كل المجموعات لازم يترفضوا بنفس المعدّل. المقياس ده أشمل وأصعب تحقيقًا من تكافؤ الفرصة.
مثال رقمي: المجموعة الأولى، من أصل 90 مؤهّلًا اتقبل 45 (50%)، ومن أصل 10 غير مؤهَّلين اترفض 8 (80%). المجموعة التانية، من أصل 10 مؤهَّلين اتقبل 5 (50%)، ومن أصل 90 غير مؤهَّل اترفض 72 (80%).
المعدّلان — قبول المؤهّلين ورفض غير المؤهّلين — متساويان بين المجموعتين (50% و80%)، فالتكافؤ في احتمالات الخطأ متحقّق، رغم اختلاف الأعداد المطلقة والنسبة الكلّية اختلافًا كبيرًا.
مثال عملي
نظام تشخيص طبّي مقياسه الوحيد إنه «يمسك أكبر عدد من المرضى فعلًا». لو النظام بيقبض على 95% من المرضى الفعليين من مجموعة، لكنه في المقابل بيشخّص بالخطأ 40% من الأصحّاء من نفس المجموعة كمرضى — بينما مجموعة تانية بتشوف 10% فقط تشخيصًا خاطئًا — فالتكافؤ في احتمالات الخطأ منتهك، حتى لو معدّل اكتشاف المرض نفسه متساوٍ.
مصطلحات مرتبطة
- Equality of Opportunity — تكافؤ الفرصة.
- Demographic Parity — التكافؤ الديموغرافي.
- False Negative Rate — معدّل السلبيات الخاطئة.
المصادر: Google ML Glossary
