Pembelajaran sensitif biaya adalah teknik yang digunakan dalam mengawasi model pembelajaran mesin untuk menangani situasi di mana berbagai jenis kesalahan memiliki konsekuensi yang berbeda. Ini melibatkan penyesuaian proses pembelajaran untuk meminimalkan biaya keseluruhan daripada hanya tingkat kesalahan. Pendekatan ini sangat berguna dalam domain seperti layanan kesehatan, deteksi penipuan, dan scoring kredit, di mana biaya misklasifikasi bervariasi secara signifikan.

Kesamaan Pengertian Kesamaan

Matrik biaya α adalah komponen dasar dalam pembelajaran yang sensitif biaya. Ini mendefinisikan biaya yang terkait dengan setiap jenis hasil prediksi, seperti positif sejati, positif palsu, negatif palsu, dan negatif sejati. Dengan menetapkan biaya yang berbeda, model dapat memprioritaskan kesalahan yang paling mahal.

Misalnya, dalam skenario diagnosis medis, kehilangan penyakit (salah negatif) mungkin lebih mahal daripada alarm palsu (salah positif). Matriks biaya membantu mengkodekan prioritas ini ke dalam proses pelatihan.

Penghitungan Ekskafan dalam Pembelajaran yang Berharga

Penghitungan ekskakuasi diperlukan untuk mengintegrasikan matriks biaya ke dalam fungsi objektif model. alih-alih meminimalkan laju kesalahan, model meminimalkan total biaya, yaitu jumlah biaya prediksi individu yang ditimbang oleh probabilitas mereka.

Untuk klasifikasi biner, total biaya (C) dapat dinyatakan sebagai:

tool * FP + CFN * FN + CTP * TP + C]TN * TN

¡CXY]] mewakili biaya yang terkait dengan setiap hasil prediksi, dan FP, FN, TP, TN adalah penghitungan positif palsu, negatif palsu, positif sejati, dan negatif sejati, masing-masing.

Berbagai Strategi Implementasi

Implementasi pembelajaran kos-sensitif dapat dicapai melalui berbagai metode:

  • Menadilkan berat kelas:Umpukkan bobot yang lebih tinggi ke kelas yang lebih mahal selama pelatihan.
  • Modikan ambang keputusan: Ubah ambang probabilitas untuk lebih kurang mendukung kesalahan yang mahal.
  • [[CharmonianFLT:0]]Using cost-sensitive algoritmas: Algoritma karyawan dirancang untuk incorporate cost matrices secara langsung.
  • [[CAMUDUR:0]]Resampel data: Oversample atau kelas undersample berdasarkan biaya terkait mereka.

Kebanyakan perpustakaan pembelajaran mesin , seperti scikit-learn, mendukung berat kelas dan penyesuaian threshold untuk memfasilitasi pembelajaran sensitif biaya.