یادگیری حساس به هزینه یک تکنیک است که در مدل های یادگیری ماشین نظارت شده برای رسیدگی به موقعیت هایی که انواع مختلف خطا عواقب مختلفی دارند استفاده می شود، شامل تنظیم فرآیند یادگیری برای به حداقل رساندن هزینه کلی به جای فقط نرخ خطا است.این رویکرد به ویژه در زمینه هایی مانند مراقبت های بهداشتی، تشخیص تقلب و امتیاز اعتبار مفید است، جایی که هزینه طبقه بندی نادرست به طور قابل توجهی متفاوت است.

درک هزینه های مالی

ماتریس هزینه یک جزء اساسی در یادگیری حساس به هزینه است.این هزینه های مرتبط با هر نوع نتیجه پیش بینی را تعریف می کند، مانند مثبت واقعی، مثبت کاذب، منفی کاذب و منفی واقعی.

به عنوان مثال، در یک سناریوی تشخیص پزشکی، از دست دادن یک بیماری (بد کاذب) ممکن است گران تر از یک زنگ هشدار کاذب باشد ( مثبت کاذب) ماتریس هزینه به کدگذاری این اولویت ها در فرآیند آموزش کمک می کند.

محاسبه در یادگیری هزینه

محاسبات شامل ادغام ماتریس هزینه به تابع هدف مدل است.به جای به حداقل رساندن نرخ خطا، مدل کل هزینه را به حداقل می رساند، که مجموع هزینه پیش بینی فردی است که توسط احتمالات آنها وزن می شود.

برای طبقه بندی باینری، کل هزینه (C) را می توان به عنوان:

[[ویرایش] [[[ویرایش] [[[ویرایش]] [[[ویرایش]]]] [[[[ویرایش]]]] [[[[ویرایش]]] TP [F [FLT: ] [F ] [F ] [F8 ] [ [ [ ] [ [ ] [ [ ] [ [ ] [ ] [ [ [ [ ] [ ] [ ] [ [ ] [ ] [ ] [ ] [ ] [ ] [ [ [ [ ] [ ] [ ] [ [ [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] ] [ ] [ [ [ ] [ ] [ ] [ [ ] [ ] [ [ [ [ [ ] [ ] [ [ [ ] ] ] ] ] [ [ ] [ ] ] ] ] ] [ [ [ [ [ [ [ ] ] ] ] ] [ ] [ [ [ [ [ [ ] ] ] [ ] ] [ ] [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ ] ] ] ] ] ] ] ] ] ] ] ] [ [ ] [ ]

در جایی که C XY [FLT 1] نشان دهنده هزینه های مرتبط با هر نتیجه پیش بینی و FP، FN، TP، TN، شمارش مثبت کاذب، منفی کاذب، مثبت واقعی و منفی واقعی است.

استراتژی های پیاده سازی

پیاده سازی یادگیری حساس به هزینه می تواند از طریق روش های مختلف به دست آید:

  • [در این میان]، [در این میان]، [[[۱]]]، [۱] [۱] وزن های بیشتری را به کلاس های پر هزینه تر در طول آموزش اختصاص دهید.
  • تعیین آستانه تصمیم گیری: [FLT 1] آستانه احتمال را تغییر دهید تا به اشتباهات کم هزینه تر دست یابید.
  • استفاده از الگوریتم های حساس به هزینه: الگوریتم های کارفرمایان طراحی شده برای ترکیب مستقیم هزینه های مردانه.
  • داده های اصلاح شده: بیش از حد و یا کلاس های زیر ریز بر اساس هزینه های مرتبط خود را.

اکثر کتابخانه های یادگیری ماشین، مانند Scikit-learn، پشتیبانی از وزن کلاس و تنظیمات آستانه برای تسهیل یادگیری حساس به هزینه.