Вартість-чутливий навчання - це техніка, яка використовується в керованих моделях машинного навчання, щоб впоратися з ситуацій, де різні типи помилок мають різні наслідки. Вона передбачає регулювання процесу навчання для мінімізації загальної вартості, а не просто курсу помилки. Цей підхід особливо корисний для доменів, таких як охорона здоров'я, виявлення шахрайства та кредитне забивання, де вартість інкласифікації істотно змінюється.

Розуміння матриць витрат

Матриця вартості є фундаментальним компонентом у економічному навчанні. Визначає витрати, пов'язані з кожним типом результату прогнозування, такі як істинні позитивні, помилкові позитивні, помилкові негативні та істинні негативні відчуття. Призначаємо різні витрати, модель може підвищити мінімізацію найдорожчих помилок.

Наприклад, в сценарії медичної діагностики, не вистачає захворювання (загальна негативна) може бути більш дорогим, ніж помилкова сигналізація (засновити позитивний). Матриця вартості допомагає кодувати ці пріоритети в процесі навчання.

Розрахунок витратно-чутливого навчання

Розрахунок передбачає інтеграцію матриці вартості в об’єктивну функцію моделі. Замість мінімізації швидкості помилки, модель мінімізації загальної вартості, яка є сумою індивідуальних витрат прогнозування, ваганих за своїми ймовірностями.

Для бінарної класифікації загальна вартість (C) може бути виражена як:

C = C]FP] * FP + C //FN * FN + CTP] * TP + CTN * TN]

де CXY] представляє вартість, пов'язана з кожним результатом прогнозування, і FP, FN, TP, TN є підрахунками помилкових позитивних, помилкових негативних, істинних позитивів, і істинних негативних речовин, відповідно.

Стратегії впровадження

Впровадження економічно-чутливого навчання може бути досягнуто за допомогою різних методів:

  • Налаштувати клас ваги: Призначте вище вага більш економічно економічними заняттями під час тренувань.
  • Пороги прийняття рішень: Зміна порогу ймовірності на користь менш дорогих помилок.
  • Узгоджуючи алгоритми витрат: алгоритми відбору проб, призначені для включення витратних матриць безпосередньо.
  • Ремонт даних: Овердрафт або підзарядка класів на основі їх пов'язаних витрат.

Більшість бібліотек машинного навчання, таких як scikit-learn, підтримка клас ваги та пороги для полегшення витратно-чутливого навчання.