基于模型序列集成的代价敏感变量选择

许多应用需要收集不同变量或许多系统性能指标的数据。我们将这些统称为度量或变量。通常，沿每个度量收集数据都会产生代价，因此在建模中考虑度量的代价是可取的。这是代价敏感学习领域中一类相当新的问题。已有一些尝试将代价纳入度量的组合与选择中。然而，现有研究要么没有严格施加预算约束，要么不是“最”具成本效益的。针对分类问题，我们提出了一种计算高效的方法，该方法通过探索解空间中最具“潜力”的部分，可以在给定预算下找到接近最优的模型。我们不输出单一模型，而是生成一个模型时间表——一个按模型代价和预期预测精度排序的模型列表。这可用于在给定预算下选择具有最佳预测精度的模型，或在预算和预测精度之间进行权衡。在一些基准数据集上的实验表明，我们的方法优于竞争方法。