提升并行动！资源受限应用中的分类器性能
机器学习
2019-06-21 v2 机器学习
摘要
分类任务广泛存在于许多领域与应用中，其中决策者的行动受资源约束限制。在直复营销中仅联系部分客户；稀缺的人力资源将面试数量限制于最有希望的求职者；有限的捐献器官优先分配给最匹配者。在此类场景中，分类矩阵、ROC 分析乃至 AUC 等排序指标所度量的结果与关注行动不同。与此同时，确实度量相关结果的增益（gains）与提升（lift）却很少被机器学习者使用。本文将资源受限分类器性能定义为区别于分类与排序的任务。我们解释增益与提升如何导致不同的算法选择，并讨论类分布的影响。
引用
@article{arxiv.1906.03374,
title = {Lift Up and Act! Classifier Performance in Resource-Constrained Applications},
author = {Galit Shmueli},
journal= {arXiv preprint arXiv:1906.03374},
year = {2019}
}