Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà. # Lp-norma (LP) La Lp-norm (LP) misura la distanza p-norm tra le distribuzioni dei facet delle etichette osservate in un set di dati di addestramento. Questa metrica è non negativa e quindi non può rilevare il bias inverso. La formula per Lp-norm è la seguente:         L p (Pa, Pd) = (y\|P - P \|\| pa) d 1/p Dove la distanza p-norm tra i punti x e y è definita come segue:         L p (x, y) = (\|x 1 -y \| p \+ \|x -y 1 \| p \+... \+\|x 2 -y 2 \| p) n n 1/p 2-norm è la norma euclidea. Supponiamo di avere una distribuzione degli esiti con tre categorie, ad esempio yi = {y0, y1, y2} = {accettato, in lista d'attesa, rifiutato} in uno scenario multicategoria di ammissioni all'università. Si calcola la somma dei quadrati delle differenze tra i conteggi degli esiti per i facet *a* e *d*. La distanza euclidea risultante viene calcolata come segue:         L 2 (Pa, Pd) = [(n a (0) - n d (0)) 2 \+ (n (1) - n a (1)) 2 \+ d (n (2) - n a (2)) 2] d 1/2 Dove: + na(i) è il numero dei risultati della nesima categoria nel facet *a*: ad esempio na(0) è il numero di accettazioni del facet *a*. + nd(i) è il numero dei risultati della nesima categoria nel facet *d*: ad esempio nd(2) è il numero di rifiuti del facet *d*. L'intervallo di valori LP per esiti binari, multicategoria e continui è [0, √2), dove: + I valori vicini allo zero indicano che le etichette sono distribuite in modo simile. + I valori positivi indicano che le distribuzioni delle etichette divergono, più sono positivi e maggiore è la divergenza.