预测模型学习中部署成本与准确性的权衡
机器学习
2016-04-21 v1 机器学习
摘要
预测模型在许多行业中的应用日益增多。因此，需要一种实用方法来权衡模型部署成本与其有效性。我们的工作受医疗健康领域风险预测问题的启发。诸如医疗健康等领域中的成本结构非常复杂，对现有方法构成重大挑战。我们提出了一种设计成本敏感的结构化正则化器的新型框架，适用于具有复杂成本依赖的问题。我们利用了一个与布尔电路令人惊讶的联系。具体而言，我们将问题成本表示为多层布尔电路，然后利用布尔电路的性质定义扩展特征向量和组正则化器，从而精确捕获底层成本结构。所得正则化器可随后与保真函数结合以执行模型预测等任务。对于重症监护病房中败血症风险预测这一具有挑战性的现实应用，使用我们的正则化器得到的模型与底层成本结构相协调，从而提供了优异的预测准确性与成本权衡。
引用
@article{arxiv.1604.05819,
title = {Trading-Off Cost of Deployment Versus Accuracy in Learning Predictive Models},
author = {Daniel P. Robinson and Suchi Saria},
journal= {arXiv preprint arXiv:1604.05819},
year = {2016}
}
备注
Authors contributed equally to this work. To appear in IJCAI 2016, Twenty-Fifth International Joint Conference on Artificial Intelligence, 2016