5.7计算成本---成本敏感分类 上升图 ROC曲线 反馈率-精确率

最新推荐文章于 2021-12-14 12:40:12 发布
最新推荐文章于 2021-12-14 12:40:12 发布
阅读量1.2k 收藏 3
点赞数 1
分类专栏： 数据挖掘 使用机器学习技术 文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42714369/article/details/92600543
版权
本文探讨了在机器学习中成本敏感分类的应用，强调在不同错误成本不同时的重要性和使用方法。此外，介绍了上升图的概念及其在评估样本趋势中的作用，以及ROC曲线的原理，用于衡量分类器性能，不考虑类分布或误差成本。总结中指出，选择最优分类器应依据ROC曲线的位置，以提高分类正确率。
摘要由CSDN通过智能技术生成

1.成本敏感分类

1.适用情况

不同类的预测错误成本不同

2. 如何使用

s1.建立成本矩阵
如下，由于主对角线表示预测正确，因此成本为0.其他地方的成本依靠具体情况而定，这里我们设置都为1.
在这里插入图片描述
s2.在预测的时候我们与概率向量相乘，选择期望成本最低的预测

3. 何时使用

依具体情况，合适的成本矩阵且在合适时候使用将提升效果

  • 在训练时忽略，预测阶段考虑
  • 在预测阶段忽略，训练阶段考虑
  • 都考虑

2.上升图

1. 如何获得上升系数？

一

最低0.47元/天 解锁文章
经常写博客
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
用于人脸识别的成本敏感矩阵分解
03-15
在本文中，我们提出了一种用于人脸识别的成本敏感矩阵分解（CSMF）。 为了使人脸表示成本敏感，CSMF采用了更加灵活的特征嵌入策略。 它包含两个主要步骤：（1）用于学习潜在语义表示的矩阵分解和（2）成本敏感的潜在语义回归。 这样，面部图像被嵌入到其标签空间中，从而最大程度地减少了误分类损失。 在扩展耶鲁B和ORL上的实验结果证明了它的有效性。
独家 | 指南：不平衡分类的成本敏感决策树（附代码&链接）
数据派THU
03-03 2134
作者：Jason Brownlee翻译：陈超校对：冯羽本文约3500字，建议阅读10+分钟本文介绍了不平衡分类中的成本敏感决策树算法。决策树算法对平衡分类是有效的，但在不平衡数据集上却表...
Cost-sensitive Classifiers:用于成本敏感分类的Adaboost扩展-开源
04-29
用于成本敏感分类的Adaboost扩展CSExtension 1 CSExtension 2 CSExtension 3 CSExtension 4 CSExtension 5 AdaCost Boost CostBoost Uboost CostUBoost AdaBoostM1实施集群中所有列出的“成本敏感分类”算法。 它们是需要基础算法（例如决策树）的元算法，此外，还需要投票标准，例如最低期望成本标准。输入还需要加载arff文件和成本矩阵（上载arff和成本文件样本供用户参考）扩展程序使用weka进行分类，并生成分类模型以及混淆矩阵。 对于给定的数据集和成本矩阵
通过三个直观步骤理解ROC曲线
deephub
06-17 8423
ROC曲线是一个分类模型效果好坏评判的的可视化表示。 在这篇文章中，我将分三个步骤头开始构建ROC曲线。 步骤1:获取分类模型预测 当我们训练一个分类模型时，我们得到得到一个结果的概率。在这种情况下，我们的例子将是偿还贷款的可能性。 概率通常在0到1之间。价值越高，这个人就越有可能偿还贷款。 下一步是找到一个临界值，将概率分类为“会偿还”或“不会偿还”。 在图1的例子中，我们选择了0.35的阈值: 所有达到或超过这个门槛的预测，都被归类为“会偿还” 所有低于这个阈值的预测，被归类为“不会偿还” 然后我们看
永不忽略不同异常的重要性：一种基于损失函数的成本敏感算法，用于异常检测
03-12
在我们的日常生活中，各种应用领域中到处都有异常情况。 如果我们无法提前发现，大多数异常可能会造成巨大的损失。 多年来，已经对该领域进行了大量研究，以便尽快发现异常。 其中，机器学习是最常用的技术之一。 先前的工作试图通过选择各种分类器来改善检测效果，并取得了一些成功。 但是很少有人考虑到每个异常可能造成的不同损失。 众所周知，具有更高重要性的异常会导致更高的损失。 在本文中，我们旨在通过提出一种改进的对成本敏感的GBDT算法LF-GBDT来最大程度地减少损失。 LF-GBDT旨在优化自定义损耗函数。 对传统分类算法（例如CART，Adaboost等）和成本敏感算法（例如MetaCost，CSC）进行的实验表明，我们的方法既可以改善对重要异常的检测，又可以减少总损失。
cfar_20171222.rar_CFAR 检测曲线_OS-CFAR matlab_OS—CFAR_roc
07-14
OS-CFAR的Matalb实现，并且可以根据虚警率的不同绘制ROC曲线，是学习恒虚警检测器的好材料
GEE-绘制二元分类的特征 (ROC) 曲线、计算曲线下面积 (AUC).pdf
10-09
一个示例 GEE 脚本，用于绘制二元分类的接收者操作特征 (ROC) 曲线、计算曲线下面积 (AUC) 并找到最接近完美分类的截止点。 要计算ROC曲线，首先需要计算分类器不同阈值下的真正率（TPR）和假正率（FPR）。TPR是...
Logistic-Regression.rar_Logistic_Logistic 分类_logistic regression
07-14
常用的评估指标包括准确率、精确率、召回率、F1分数以及ROC曲线。此外，还可以使用交叉验证来提高模型的泛化能力。 **5. 多分类Logistic回归：** 当面对多于两种类别的问题时，有多种扩展方法，如一对多（One-vs-...
Keras 利用sklearn的ROC-AUC建立评价函数详解
09-16
主要介绍了Keras 利用sklearn的ROC-AUC建立评价函数详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
成本敏感型学习：依赖于示例的成本敏感型学习的混合整数线性规划方法
02-09
成本敏感的学习 依赖实例的成本敏感型学习的混合整数规划方法 抽象 在这项研究中，我们研究了与示例相关的成本敏感型学习，该学习基于标签决策带来了不同的成本/回报。 这些问题源于决策模型，在数据中成本/收益信息而不是真正标签的重点领域中得到了区分。 例如，在流失预测和信用评分中，主要目的是建立预测模型和决策规则，以最大化/最小化公司的回报/成本。 传统的精度驱动的分类方法没有考虑基于实例的成本/回报。 取而代之的是，学习基于恒定的错误分类错误进行。 因此，我们提出了一种将基于实例的成本/收益纳入学习算法的一般策略。 具体而言，将学习问题表述为混合整数程序，以使总回报最大化。 考虑到混合整数线性规划问题的高计算复杂性，该模型对于大规模数据集的训练实际上可能效率低下。 为了解决这个问题，我们还提出了成本敏感型Logistic回归，这是公式化线性模型的非线性近似，这得益于使用深度学习工具进行的基于梯
【VALSE 2019 PPT】南航CCF优博黄圣君教授-《成本敏感式主动学习》-《Cost-Sensitive Active Learning》学习记录
王博（Kings）的博客
04-21 3261
摘要： In many real applications, there are plentiful unlabeled data but limited labeled data, and the acquisition of labels is costly. Active learning reduces the labeling cost by iteratively selectin...
研究型论文_CSE-IDS：使用成本敏感的深度学习和集成算法来处理基于网络的入侵检测系统中的类不平衡（英文论文）
一个努力生活的人的博客
12-14 1512
文章目录CSE-IDS: Using cost-sensitive deep learning and ensemble algorithms to handle class imbalance in network-based intrusion detection systems论文摘要论文解决的问题1.系统结构 CSE-IDS: Using cost-sensitive deep learning and ensemble algorithms to handle class imbalance in
6个处理数据不均衡的策略
easylifer的专栏
07-28 4152
训练数据不均衡往往导致得到的模型在某个类上出现过拟合。
【模型指标】LIFT提升图
changzoe的博客
04-28 1万+
信用模型中的LIFT 在模型评估中，我们常用到增益/提升（Gain/Lift）图来评估模型效果，其中的Lift是“运用该模型”和“未运用该模型”所得结果的比值。以信用评分卡模型的评分结果为例，我们通常会将打分后的样本按分数从低到高排序，取10或20等分（有同分数对应多条观测的情况，所以各组观测数未必完全相等），并对组内观测数与坏样本数进行统计。用评分卡模型捕捉到的坏客户的占比，可由该组坏样本数除以...
准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
热门推荐
weixin_34144450的博客
07-22 1万+
yu Code 15 Comments  机器学习(ML),自然语言处理(NLP),信息检索(IR)等领域,评估(Evaluation)是一个必要的 工作,而其评价指标往往有如下几点:准确率(Accuracy),精确率(Precision),召回率(Recall)和F1-Measure。(注： 相对来说，IR 的 ground truth 很多时候是一个 Ordered List, 而不是...
混淆矩阵介绍以及评价指标(准确率，精确率，召回率，特异度，假警报率，G-mean，F1_score，KS值)
迷雾总会解
11-14 1万+
混淆矩阵 混淆矩阵（Confusion Matrix），可以理解为就是一张表格。混淆这个名字还是很有内涵的，咳咳。 混淆矩阵是判断分类好坏程度的一种方法。另外还有ROC曲线和AUC曲线。 以分类模型中最简单的二分类为例，对于这种问题，我们的模型最终需要判断样本的结果是0还是1，或者说是positive还是negative。 我们通过样本的采集，能够直接知道真实情况下，哪些数据结果是positive，哪些结果是negative。同时，我们通过用样本数据跑出分类型模型的结果，也可以知道模型认为这些数据哪些是p
机器学习基石---Logistic Regression
此心安处是吾乡
02-05 346
knitr::opts_chunk$set(echo = TRUE)   PLA返回结果是{0,1}" role="presentation">{0,1}{0,1}\{0,1\}，而逻辑回归是一个Soft Binary Classification，它输出的{y=+1}" role="presentation">{y=+1}{y=+1}\{y=+1\}的概率。所以 Logistic Regres
分类器评价与在R中的实现：ROC图与AUC
GarfieldEr007的专栏
04-03 1万+
分类模型评价一般有以下几种方法：混淆矩阵(Confusion Matrix)、收益图(Gain Chart)、提升图(Lift Chart)、KS图(KS Chart)、接受者操作特性曲线(ROC Chart)。“分类器评价与在R中的实现”系列中将逐个介绍。 之前已介绍过最基础的混淆矩阵、收益图与提升图。本篇介绍ROC图(ROC Chart)及由此计算的AUC。 一、ROC图简介
gee-绘制二元分类的特征 (roc) 曲线、计算曲线下面积 (auc)
最新发布
01-30
在绘制二元分类特征的ROC曲线时，GEE（Generalized Estimation Equations）通常用于拟合可重复测量的数据。这种方法对于处理二元分类数据的重复测量或集群数据非常有用，因为它可以很好地处理相关性和异方差性。在...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值