今天要介紹的是一個叫做機會平等 (Equality of Opportunity) 的概念，利用這種評估方式，可以讓所有子群利用同樣ML模型所得出的結果更為準確。簡單還說，若使用一個ML模型能讓一筆資料得到合理的結果，其他筆資料應該要有同樣的機會都能得到合理的結果。

舉例來說，若是有一間銀行開發了一個ML模型來審核是否通過客戶的借貸申請，而這個模型就必須要做到，不論這個客戶被分到哪個子群去，都能有相同的機會申請到貸款。

那為什麼我們需要在ML中應用這種方法呢？主要是因為可以利用它來檢視模型的輸出結果，並確保產出的結果是準確 (Accuracy) 且非歧視性的 (Non-discrimination)。

此外，亦須確認各子群的分類方式是恰當的，以免影響結果。

利用上述的評估方式可以讓你的模型預測更為準確，但如果要得到更好的結果，你必須實際了解你的資料，但很多時候，要處理的資料是以百萬為單位計算的，在資料量龐大的狀況下，是不大可能以人力方式去完全了解整個資料集的內容。而要觀察這種大量資料的秘訣就是將其視覺化，透過觀察圖形來了解你的資料。如果要做到視覺化，可以參考使用Google所開發的開源工具Facets，有關這個工具的進一步介紹請參考其官網喔（網址：https://pair-code.github.io/facets/） 。