Il prossimoProssima guida
Imparare a posizionarsi per la ricerca dei prodotti
Tecnico
GUIDA TECNICA
L’apprendimento sensibile ai costi rende le conseguenze dei diversi risultati della previsione parte dell’obiettivo di formazione o della regola decisionale di un modello.
Ascolta questa guidaNarrato dall'IA · ~3 min
È importante quando falsi positivi, falsi negativi o errori specifici di una classe hanno conseguenze disuguali, una preoccupazione che lo squilibrio di classe da solo non può definire.
Many classification objectives optimize a loss that treats examples uniformly or uses a default loss, which may not reflect the real consequences of different errors. Cost-sensitive learning makes those consequences explicit. Cost-sensitive learning replaces that assumption with an explicit cost matrix that specifies the penalty for each type of error: false positives, false negatives, and sometimes different costs for different classes entirely. This matters most when classes are imbalanced or when errors have asymmetric real-world consequences. There are several common techniques. Class weighting adjusts the loss function during training so that misclassifying a minority or high-stakes class contributes more to the total loss, which most modern libraries, including scikit-learn and XGBoost, support directly through a class_weight or scale_pos_weight parameter. Resampling approaches, such as oversampling the minority class or undersampling the majority class, alter which examples appear and how often during training; their effect depends on the data and does not automatically encode a particular cost matrix. MetaCost and similar wrapper methods relabel training examples based on expected cost before fitting a standard classifier. A common misconception is that cost-sensitive learning is the same as handling class imbalance; the two overlap but are distinct: a balanced dataset can still need cost-sensitive treatment if the errors have unequal consequences, and an imbalanced dataset does not always need it if both error types are equally acceptable. Getting the cost matrix right requires domain input, often from business or clinical stakeholders, since the model can only optimize for whatever costs it is given, and a poorly specified cost matrix will produce a model confidently optimized for the wrong objective.
Un modello di frode con carta di credito assegna una penalità molto più elevata al mancato rilevamento di una frode effettiva (un falso negativo) rispetto alla segnalazione di un acquisto legittimo per la revisione (un falso positivo), perché una frode non rilevata costa molto di più di una chiamata al servizio clienti.
Un classificatore per lo screening del cancro è addestrato con una matrice di costi che penalizza il mancato rilevamento di un tumore dieci volte più pesantemente di un falso allarme, poiché una diagnosi mancata può essere pericolosa per la vita mentre un falso allarme porta a un test di follow-up.
Un filtro anti-spam per le e-mail è deliberatamente ottimizzato per tollerare il passaggio di una maggiore quantità di spam piuttosto che rischiare di bloccare un importante messaggio legittimo, riflettendo una matrice di costi in cui i falsi positivi sono peggiori dei falsi negativi per quell'applicazione.
Un modello di default del prestito utilizza pesi di classe proporzionali alla perdita finanziaria derivante da un prestito non pagato rispetto al costo opportunità di negare un buon richiedente, piuttosto che ottimizzare solo per l’accuratezza della classificazione complessiva.
È probabile che gli approcci sensibili ai costi diventino più automatizzati poiché gli strumenti consentono sempre più ai professionisti di specificare direttamente i costi aziendali anziché derivare manualmente i pesi delle classi e poiché le pipeline AutoML aggiungono input integrati nella matrice dei costi. La continua crescita delle frodi, dell’assistenza sanitaria e delle richieste di credito continuerà a spingere questa tecnica in più sistemi di produzione, anche se dipende dalla volontà e dalla capacità delle parti interessate di specificare i costi in modo accurato, il che rimane un collo di bottiglia pratico piuttosto che tecnico. I costi dovrebbero essere rivisti quando cambiano la politica, la prevalenza, la capacità o le conseguenze di un errore. Un obiettivo attento ai costi non può ancora riparare etichette inadeguate, stime di probabilità inaffidabili o un resoconto incompleto di chi sopporta ogni conseguenza.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
L’apprendimento sensibile ai costi rende le conseguenze dei diversi risultati della previsione parte dell’obiettivo di formazione o della regola decisionale di un modello. È importante quando falsi positivi, falsi negativi o errori specifici di una classe hanno conseguenze disuguali, una preoccupazione che lo squilibrio di classe da solo non può definire.
La formazione standard tratta implicitamente tutti gli errori come ugualmente costosi; l'apprendimento sensibile ai costi lo sostituisce con una matrice di costi esplicita per diversi tipi di errore.
L'esempio spiega che il costo finanziario di una frode non rilevata supera il costo del servizio clienti per indagare su un falso allarme.
La guida mette esplicitamente in luce questo malinteso: l’apprendimento sensibile ai costi e lo squilibrio di classe si sovrappongono ma non sono lo stesso concetto.
La guida nomina class_weight e scale_pos_weight come parametri standard per applicare la ponderazione della classe in queste librerie.
MetaCost è descritto come un metodo wrapper che rietichetta i dati di addestramento in base al costo previsto prima di adattarli a un modello standard.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Imparare a posizionarsi per la ricerca dei prodotti
Tecnico