二进制分类器的成本敏感评估
机器学习
2026-05-28 v2 机器学习
摘要
为分类器选择合适的评估指标对于模型比较、参数优化和部署决策至关重要，但目前尚无一个被广泛接受的评估范式能显式地与总分类成本（TCC）最小化保持一致。与此同时，类别不平衡常被当作需纠正的独立问题，可能导致与 TCC 最小化不一致。为缓解这些局限性，我们（i）定义了加权准确率（WA），作为加权准确率的二分类器评估指标，具有直观的解释；（ii）提出了处理成本敏感场景下类别不平衡的通用重加权框架，为抽样技术提供了替代方案。该框架适用于任何可表示为示例相关量线性组合的评估指标或损失函数；它使不同数据集上获得的评估结果可产生有意义的比较，并 accounts 开发数据集（用于训练、验证和测试）与部署模型的目标数据集之间的差异。在该框架下，我们推导出标准重平衡技术在 TCC 最小化下保持一致的条件，以及何时可能变得误导的情形。我们证明，在示例独立的单位分类成本下，最大化 WA 等价于最小化 TCC。最后，我们通过研究 WA 在现实示例相关成本情景下的鲁棒性，分析其在广泛类别不平衡和成本情景下与 TCC 的相关性。结果表明，WA 在几乎所有检验情景中都能保持与 TCC 的稳健一致性。
引用
@article{arxiv.2510.22016,
title = {Cost-Sensitive Evaluation for Binary Classifiers},
author = {Pierangelo Lombardo and Antonio Casoli and Cristian Cingolani and Shola Oshodi and Michele Zanatta},
journal= {arXiv preprint arXiv:2510.22016},
year = {2026}
}
备注
24 pages, 5 figures