ある金融機関が、住宅ローン審査 AI の公平性監査を行うことになりました。SageMaker Clarify を使って学習済みモデルを評価する際、「予測バイアス（Post-Training Bias）」の指標として Clarify が提供するものを2つ選択してください。
- A. 差分陽性予測率（DPPL: Difference in Positive Proportions in Predicted Labels）― グループ間の陽性予測率の差
- B. 差分影響（DI: Disparate Impact）― 保護グループと基準グループの陽性予測率の比率
- C. 特徴量カバレッジ（FC: Feature Coverage）― 特徴量に欠損値がない割合
- D. 精度差分（DA: Difference in Accuracy）― グループ間でのモデル精度の差
- E. クラス不均衡（CI: Class Imbalance）― 学習データ内の保護属性グループ間のサンプル数の差
解答と解説を見る
正解: A, B
予測バイアス（Post-Training Bias）は学習済みモデルの予測出力を対象とした公平性指標です。A の DPPL（差分陽性予測率）はグループ間の陽性予測率の差を計算する Post-Training バイアス指標です。B の DI（差分影響）は保護グループの陽性予測率を基準グループのそれで割った比率であり、1から離れるほどバイアスが大きいことを示す Post-Training 指標です。E の CI（クラス不均衡）は学習データのサンプル数の偏りを測る Pre-Training 指標であり、モデルの予測結果を評価するものではありません。D の精度差分（DA）は Clarify の標準指標ではなく、カスタム評価になります。C のカバレッジはデータ品質指標であり、バイアス測定とは異なります。