이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

감수 비용 Matrices

비용 매트릭스는 비용 감지 학습에 기본 구성 요소입니다. 그것은 진정한 긍정적 인, 거짓 긍정적 인, 거짓 부정적인, 그리고 진정한 부정적인과 같은 예측 결과의 각 유형과 관련된 비용을 정의합니다. 다른 비용을 할당함으로써 모델은 가장 비싼 오류를 최소화 할 수 있습니다.

예를 들어, 의료 진단 시나리오에서, 질병을 누락 (매체 부정적인)은 거짓 경보 (매체 긍정적)보다 비용이 많이 들 수 있습니다. 비용 매트릭스는 이러한 우선 순위를 교육 과정에 인코딩하는 데 도움이됩니다.

비용 학습에 대한 계산

계산은 모델의 목표 함수로 비용 매트릭스를 통합합니다. 오류율을 최소화하는 대신 모델은 총 비용을 최소화하며, 개별 예측 비용의 합은 확률로 무게를 곱합니다.

이진 분류를 위해, 총 비용 (C)는 다음과 같이 표현될 수 있습니다:

C = CFP] * FP + C]FN * FN + CTP] * TP + C]TN * TN]

CXY는 각 예측 결과와 관련된 비용을 나타냅니다. FP, FN, TP, TN는 거짓 긍정적, 거짓 부정적인, 진정한 긍정적, 그리고 진정한 부정적인의 수입니다.

전략의 구현

비용 감지 학습을 구현하면 다양한 방법을 통해 달성 될 수 있습니다:

  • 조정 클래스 무게: 교육 중 더 많은 비용으로 수업에 더 높은 무게를 할당합니다.
  • ]더 많은 결정 임계 값: 더 적은 비용으로 오류를 호의할 확률 임계값을 변경합니다.
  • 비용 감지 알고리즘을 활용: 원가 매트릭스를 직접 통합하도록 설계된 직원 알고리즘.
  • Resampling data: Oversample 또는 undersample class를 기반으로 하는 해당 비용.

대부분의 기계 학습 라이브러리, scikit-learn, 지원 클래스 무게 및 임계 값 조정과 같은 비용 감지 학습을 용이하게합니다.