Ang cost-sensitive learning ay isang pamamaraan na ginagamit sa mga pinangangasiwaang modelo ng makina upang pangasiwaan ang mga sitwasyon kung saan ang iba't ibang uri ng mga pagkakamali ay may iba't ibang mga resulta. Ito ay kinasasangkutan ng pag-aangkop ng proseso ng pagkatuto upang mabawasan ang kabuuang halaga sa halip na ang bilis lamang ng pagkakamali. Ang pamamaraang ito ay partikular na kapaki-pakinabang sa mga domain tulad ng healthcare, scretelling, at credit score, kung saan ang halaga ng maling pag-classification ay malaki ang pagkakaiba.

Magastos ang Pag - unawa sa mga Matrisa

Ang isang cost matrix ay isang pangunahing sangkap sa pag-aaral ng mga presyo-sensitive. Binigyang kahulugan nito ang mga gastos na kaugnay sa bawat uri ng kalalabasan ng prediksiyon, tulad ng mga tunay na positibo, maling positibo, maling negatibo, at tunay na negatibo. Sa pamamagitan ng pag-aatas ng iba't ibang halaga, maaaring unahin ng modelo ang pagbabawas ng mga pinaka-magastos na pagkakamali.

Halimbawa, sa isang medikal na pagsusuri, ang hindi pagkakaroon ng sakit (maling negatibo) ay maaaring mas magastos kaysa sa maling alarma (maling positibo).

Mga Pagkalkula sa Halaga-Ssentibong Pagkatuto

Sa halip na bawasan ang bilis ng pagkakamali, binabawasan ng modelo ang kabuuang halaga, na siyang kabuuang halaga ng bawat prediksiyon na nagagastos ng mga indibiduwal dahil sa kanilang mga pagkakamali.

Para sa isang baryong klasipikasyon, ang kabuuang halaga (C) ay maaaring ipahayag bilang:

C = C]FFP * FP + C]FN * FN + C[7]T&C[FLT: *T]TP[[[[[[[[[T][[[T]:[[T][T][T][T][8]:[T][8][T][T][9][T][T][T][T][T][T][9]:[T][T][T][[[[[[[9]

kung saan ang CXY ay kumakatawan sa halaga na nauugnay sa bawat kalalabasan ng prediksiyon, at ang FP, FN, TP, TN ang mga aspeto ng mga hindi totoong positibo, mga maling negatibo, tunay na positibo, at tunay na negatibo, ayon sa pagkakasunod.

Mga Estratehiya sa Pag - aasawa

Ang pag-implementasyon ng halaga-sensitive na pagkatuto ay maaaring makamit sa pamamagitan ng iba't ibang pamamaraan:

  • [Pagsasaayos ng mga pabigat ng klase: Pagtatalaga ng mas mataas na mga pabigat sa mas magastos na mga klase sa panahon ng pagsasanay.
  • Nagpapahiwatig ng mga pagsisimula ng desisyon: Pagbabago ng probabilidad na paboran ang hindi gaanong magastos na mga pagkakamali.
  • Pag-Using ng halaga-sensitive algorithms: Empley algorithms na dinisenyo upang direktang isama ang mga gastos marice.
  • [[C] Pag-aalsa ng datos: Oversample o mga undersample class batay sa kanilang kaugnay na gastos.

Karamihan sa mga machine learning aklatan, tulad ng scikit-learning, ay sumusuporta sa mga timbang ng klase at mga pagbabago sa pagsisimula upang mapadali ang gastos-sensitive learning.