Kustannusherkkä oppiminen on tekniikka, jota käytetään valvotuissa koneoppimismalleissa sellaisten tilanteiden hoitamiseen, joissa erilaisilla virheillä on erilaisia seurauksia. Siihen kuuluu oppimisprosessin mukauttaminen kokonaiskustannusten minimoimiseksi eikä pelkästään virhetason minimoimiseksi. Tämä lähestymistapa on erityisen hyödyllinen aloilla, kuten terveydenhuollossa, petosten havaitsemisessa ja luottojen pisteytysten tekemisessä, joissa virheellisen luokittelun kustannukset vaihtelevat huomattavasti.

Kustannusmatriiseja koskeva ymmärtäminen

Kustannusmatriisi on olennainen osa kustannusherkkää oppimista. Se määrittelee kustannukset liittyvät kunkin ennusteen tulos, kuten todelliset positiiviset, väärät positiiviset, väärät negatiiviset ja todelliset negatiiviset. Määrittämällä eri kustannuksia, malli voi priorisoida minimoimalla kalleimmat virheet.

Esimerkiksi lääketieteellisessä diagnoosissa sairauden (väärin negatiivinen) puuttuminen saattaa olla kalliimpaa kuin väärä hälytys (väärin positiivinen). Kustannusmatriisi auttaa koodaamaan nämä painopisteet koulutusprosessiin.

Kustannusherkän oppimisen laskelmat

Laskelmissa on mukana kustannusmatriisin integrointi mallin objektiiviseen toimintoon. Sen sijaan, että minimoi virhetason, malli minimoi kokonaiskustannukset, mikä on yksittäisten ennustekustannusten summa, joka on painotettu niiden todennäköisyydellä.

Binääriluokituksessa kokonaiskustannukset (C) voidaan ilmaista seuraavasti:

]C = C[FP * FP + C]FN * FN + C[TP[] * TP + C[]TN[ * TN[]]]

jossa CXY edustaa kuhunkin ennustetulokseen liittyviä kustannuksia ja FP, FN, TP, TN ovat väärien positiivisten, väärien negatiivisten, todellisten positiivisten ja todellisten negatiivisten lukujen laskennan tasoja.

Täytäntöönpanostrategiat

Kustannusherkän oppimisen toteuttaminen voidaan toteuttaa eri menetelmin:

  • Luokkapainojen mukauttaminen:[) Korkeampien painojen osoittaminen kalliimmille luokille koulutuksen aikana.
  • Päätöksen kynnysarvojen muuttaminen:[ Muutetaan todennäköisyyskynnystä edullisemmiksi virheiksi.
  • Käytetään kustannusherkkiä algoritmeja:[ Työntöalgoritmit, jotka on suunniteltu sisällyttämään kustannusmatriisit suoraan.
  • Tapausten uudelleenottotiedot:[ Yliotos- tai alleotosluokat niiden kustannusten perusteella.

Useimmat koneoppimiskirjastot, kuten skit-oppi, tukiluokan painot ja kynnysten mukauttaminen, joilla helpotetaan kustannusherkkää oppimista.