MOBA：面向二类代价敏感问题的多目标有界弃判模型
机器学习
2019-05-20 v1 机器学习
摘要
弃判分类器已广泛用于代价敏感应用中，以避免模糊分类并降低误分类代价。以往的弃判分类模型依赖于代价信息，如代价矩阵或代价比。然而，在实际应用中难以获取或估计代价。此外，这些弃判模型通常受限于单一优化度量，而在评估分类性能时该度量未必是期望指标。为克服此类问题，我们提出一种多目标有界弃判（MOBA）模型以优化关键度量。具体而言，MOBA 模型在类相关弃判约束下最小化每类的错误率。随后使用非支配排序遗传算法 II（一种流行的进化多目标优化算法）求解 MOBA 模型。将生成一组帕累托最优解，并可根据给定条件（代价是否已知）或性能需求（如获得高准确率、F 值等）选取最佳解。因此，MOBA 模型对条件与需求的变化具有鲁棒性。与最先进的弃判模型相比，MOBA 在考虑代价信息时实现了更低的期望代价，而在不考虑时获得了更好的性能-弃判权衡。
引用
@article{arxiv.1905.07297,
title = {MOBA: A multi-objective bounded-abstention model for two-class cost-sensitive problems},
author = {Hongjiao Guan},
journal= {arXiv preprint arXiv:1905.07297},
year = {2019}
}