Partial VOROS: 基于精确率和容量约束的二进制分类器成本感知性能指标
机器学习
2026-04-03 v2 统计方法学
摘要
ROC曲线广泛用于评估二进制分类器。然而对于某些应用（如监控住院患者的警报系统），常规ROC分析无法满足两个关键部署需求：强制执行精确率约束以避免警报疲劳，以及对预测阳性数量设定上限以代表医院工作人员的容量。通常的曲线下面积度量也不反映假阳性和假阴性的非对称成本。本文解决了这三个问题。首先，我们展示满足精确率和容量约束的子集在ROC空间中占据可行区域。我们确立了该区域的多边形几何形状。随后，我们定义较小分类器的部分面积，这是一种随成本单调且仅考虑可行区域的性能指标。对该面积在期望成本参数分布下的平均值，得到ROC曲线表面的部分体积，即partial VOROS。在预测住院患者死亡风险的实验中，我们表明这一成本感知度量在为住院警报排序分类器方面可以超过其他替代方案。
引用
@article{arxiv.2510.18520,
title = {Partial VOROS: A Cost-aware Performance Metric for Binary Classifiers with Precision and Capacity Constraints},
author = {Christopher Ratigan and Kyle Heuton and Carissa Wang and Lenore Cowen and Michael C. Hughes},
journal= {arXiv preprint arXiv:2510.18520},
year = {2026}
}
备注
In Proceedings of the International Conference of Artificial Intelligence and Statistics (AISTATS), 2026