连接代价敏感与 Neyman-Pearson 范式用于非对称二分类
机器学习
2021-01-01 v1 机器学习
摘要
非对称二分类问题中，一类错误和二类错误的严重程度不同，这类问题在现实应用中无处不在。为处理此种不对称性，研究者发展了代价敏感和 Neyman-Pearson 范式来训练分类器以控制更严重的那类分类错误，例如一类错误。代价敏感范式被广泛使用，且具有不需要样本分割的直接实现方式；然而，它要求显式指定一类和二类错误的代价，并且一个开放问题是指定何种代价能够保证对总体一类错误的高概率控制。相比之下，Neyman-Pearson 范式可以训练分类器实现对总体一类错误的高概率控制，但它依赖样本分割，减少了有效训练样本量。由于两种范式具有互补优势，结合二者优势来构造分类器是合理的。本工作中，我们首次研究了两种范式间的方法论联系，并从控制总体一类错误的角度开发了 TUBE-CS 算法来桥接两个范式。
引用
@article{arxiv.2012.14951,
title = {Bridging Cost-sensitive and Neyman-Pearson Paradigms for Asymmetric Binary Classification},
author = {Wei Vivian Li and Xin Tong and Jingyi Jessica Li},
journal= {arXiv preprint arXiv:2012.14951},
year = {2021}
}