āļāđāļāđāļāļāļģāđāļāļ°āļāļģāļāđāļāđāļ
āļāļēāļĢāđāļĢāļĩāļĒāļāļĢāļđāđāđāļāļ·āđāļāļāļąāļāļāļąāļāļāļąāļāļŠāļģāļŦāļĢāļąāļāļāļēāļĢāļāđāļāļŦāļēāļāļĨāļīāļāļ āļąāļāļāđ
āđāļāļāļāļīāļ
āļāļđāđāļĄāļ·āļāļāļēāļāđāļāļāļāļīāļ
āļāļēāļĢāđāļĢāļĩāļĒāļāļĢāļđāđāđāļāļāļāļģāļāļķāļāļāļķāļāļāđāļāļāļļāļāļāļģāđāļŦāđāļāļĨāļĨāļąāļāļāđāļāļāļāļāļģāļāļģāļāļēāļĒāļāļĩāđāđāļāļāļāđāļēāļāļāļąāļāđāļāđāļāļŠāđāļ§āļāļŦāļāļķāđāļāļāļāļāļ§āļąāļāļāļļāļāļĢāļ°āļŠāļāļāđāđāļāļāļēāļĢāļāļķāļāđāļĄāđāļāļĨāļŦāļĢāļ·āļāļāļāļāļēāļĢāļāļąāļāļŠāļīāļāđāļ
āļāļąāļāļāļģāđāļāļ°āļāļģāļāļĩāđāļāļĢāļĢāļĒāļēāļĒāđāļāļĒ AI · ~3 min
āļŠāļīāđāļāļāļĩāđāļĄāļĩāļāļ§āļēāļĄāļŠāļģāļāļąāļāđāļĄāļ·āđāļāļāļĨāļāļ§āļāļāļĨāļāļĄ āļāļĨāļĨāļāļāļĨāļāļĄ āļŦāļĢāļ·āļāļāđāļāļāļīāļāļāļĨāļēāļāđāļāļāļēāļ°āļāļĨāļēāļŠāļĄāļĩāļāļĨāļĨāļąāļāļāđāļāļĩāđāđāļĄāđāđāļāđāļēāļāļąāļ āļāļķāđāļāđāļāđāļāļāđāļāļāļąāļāļ§āļĨāļāļĩāđāļāļ§āļēāļĄāđāļĄāđāļŠāļĄāļāļļāļĨāļāļāļāļāļĨāļēāļŠāđāļāļĩāļĒāļāļāļĒāđāļēāļāđāļāļĩāļĒāļ§āđāļĄāđāđāļāđāļāļģāļŦāļāļ
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.
āđāļĄāđāļāļĨāļāļĢāļ§āļāļāļąāļāļāļēāļĢāļāđāļāđāļāļāļāļąāļāļĢāđāļāļĢāļāļīāļāļāļģāļŦāļāļāļāđāļēāļāļĢāļąāļāļāļĩāđāļŠāļđāļāļĄāļēāļāļŠāļģāļŦāļĢāļąāļāļāļĢāļāļĩāļāļĩāđāđāļĄāđāļŠāļēāļĄāļēāļĢāļāļāļĢāļ§āļāļāļąāļāļāļēāļĢāļāđāļāđāļāļāļāļĢāļīāļāđāļāđ (āļāļĨāļĨāļāļāļĨāļāļĄ) āđāļĄāļ·āđāļāđāļāļĩāļĒāļāļāļąāļāļāļĢāļāļĩāļāļĩāđāļāļģāđāļāļĢāļ·āđāļāļāļŦāļĄāļēāļĒāļāļēāļĢāļāļ·āđāļāļāļĩāđāļāļđāļāļāđāļāļāļāļēāļĄāļāļāļŦāļĄāļēāļĒāđāļŦāđāļāļĢāļ§āļāļŠāļāļ (āļāļĨāļāļ§āļāļāļĨāļāļĄ) āđāļāļ·āđāļāļāļāļēāļāļāļ§āļēāļĄāđāļŠāļĩāļĒāļŦāļēāļĒāļāļēāļāļāļēāļĢāļāđāļāđāļāļāļāļĩāđāđāļĄāđāļāļđāļāļāļĢāļ§āļāļāļąāļāļĄāļĩāļĄāļđāļĨāļāđāļēāļŠāļđāļāļāļ§āđāļēāļāđāļēāđāļāļĢāļĻāļąāļāļāđāļāļĢāļīāļāļēāļĢāļĨāļđāļāļāđāļēāļĄāļēāļ
āļāļąāļ§āļāļģāđāļāļāļāļēāļĢāļāļąāļāļāļĢāļāļāļĄāļ°āđāļĢāđāļāđāļāđāļĢāļąāļāļāļēāļĢāļāļķāļāļāđāļ§āļĒāđāļĄāļāļĢāļīāļāļāđāļāđāļāļāļļāļāļāļĩāđāļĨāļāđāļāļĐāļāļēāļĢāļāļĢāļ§āļāļāļāđāļāļ·āđāļāļāļāļāļāļĩāđāļāļĨāļēāļāđāļāļāļĒāđāļēāļāļĢāļļāļāđāļĢāļāļāļ§āđāļēāļāļēāļĢāđāļāđāļāđāļāļ·āļāļāļāļīāļāļāļĨāļēāļ 10 āđāļāđāļē āđāļāļ·āđāļāļāļāļēāļāļāļĨāļ§āļīāļāļīāļāļāļąāļĒāļāļĩāđāļāļĨāļēāļāļāļēāļāđāļāđāļāļāļąāļāļāļĢāļēāļĒāļāļķāļāļāļĩāļ§āļīāļ āđāļāļāļāļ°āļāļĩāđāļāļēāļĢāđāļāđāļāđāļāļ·āļāļāļāļīāļāļāļĨāļēāļāļāļģāđāļāļŠāļđāđāļāļēāļĢāļāļĢāļ§āļāļāđāļģ
āļāļąāļ§āļāļĢāļāļāļŠāđāļāļĄāļāļĩāđāļĄāļĨāļāļđāļāļāļĢāļąāļāļāļđāļāļāļĒāđāļēāļāļāļāđāļāđāļŦāđāļĒāļāļĄāļĢāļąāļāļŠāđāļāļĄāļāļĩāđāļŦāļĨāļļāļāļĢāļāļāļĄāļēāļāļāļ§āđāļēāđāļŠāļĩāđāļĒāļāļāļĩāđāļāļ°āļāļĨāđāļāļāļāđāļāļāļ§āļēāļĄāļŠāļģāļāļąāļāļāļĩāđāļāļđāļāļāđāļāļāļāļēāļĄāļāļāļŦāļĄāļēāļĒ āļāļķāđāļāļŠāļ°āļāđāļāļāļāļķāļāđāļĄāļāļĢāļīāļāļāđāļāđāļāļāļļāļāļāļĩāđāļāļĨāļāļ§āļāļāļĨāļāļĄāļĢāđāļēāļĒāđāļĢāļāļāļ§āđāļēāļāļĨāļĨāļāļāļĨāļāļĄāļŠāļģāļŦāļĢāļąāļāđāļāļāļāļĨāļīāđāļāļāļąāļāļāļąāđāļ
āđāļĄāđāļāļĨāļāļēāļĢāļāļīāļāļāļąāļāļāļģāļĢāļ°āļŦāļāļĩāđāđāļāđāļāđāļģāļŦāļāļąāļāļāļāļāļāļĨāļēāļŠāļāļĩāđāļŠāļąāļāļŠāđāļ§āļāļāļąāļāļāļ§āļēāļĄāļŠāļđāļāđāļŠāļĩāļĒāļāļēāļāļāļēāļĢāđāļāļīāļāļāļēāļāļŦāļāļĩāđāļāļĩāđāđāļĄāđāđāļāđāļāļģāļĢāļ°āđāļĄāļ·āđāļāđāļāļĩāļĒāļāļāļąāļāļāđāļāļāļļāļāđāļāļāļēāļŠāļāļāļāļāļēāļĢāļāļāļīāđāļŠāļāļāļđāđāļŠāļĄāļąāļāļĢāļāļĩāđāļāļĩ āđāļāļāļāļĩāđāļāļ°āđāļāļīāđāļĄāļāļĢāļ°āļŠāļīāļāļāļīāļ āļēāļāļāļ§āļēāļĄāđāļĄāđāļāļĒāļģāđāļāļāļēāļĢāļāļģāđāļāļāļāļĢāļ°āđāļ āļāđāļāļĒāļĢāļ§āļĄāđāļāļĩāļĒāļāļāļĒāđāļēāļāđāļāļĩāļĒāļ§
āđāļāļ§āļāļēāļāļāļĩāđāļāļģāļāļķāļāļāļķāļāļāđāļāļāļļāļāļĄāļĩāđāļāļ§āđāļāđāļĄāļāļĩāđāļāļ°āļāļĨāļēāļĒāđāļāđāļāļĢāļ°āļāļāļāļąāļāđāļāļĄāļąāļāļīāļĄāļēāļāļāļķāđāļāđāļĄāļ·āđāļāđāļāļĢāļ·āđāļāļāļĄāļ·āļāļāđāļēāļāđ āļāļāļļāļāļēāļāđāļŦāđāļāļđāđāļāļāļīāļāļąāļāļīāļāļēāļāļĢāļ°āļāļļāļāđāļāļāļļāļāļāļēāļāļāļļāļĢāļāļīāļāđāļāļĒāļāļĢāļāđāļāļāļāļĩāđāļāļ°āļāļģāļāļ§āļāļāđāļģāļŦāļāļąāļāļāļāļāļāļĨāļēāļŠāļāđāļ§āļĒāļāļāđāļāļ āđāļĨāļ°āđāļĄāļ·āđāļāļĢāļ°āļāļ AutoML āđāļāļīāđāļĄāļāļīāļāļāļļāļāđāļĄāļāļĢāļīāļāļāđāļāđāļāļāļļāļāđāļāļāļąāļ§ āļāļēāļĢāđāļāļīāļāđāļāļāļĒāđāļēāļāļāđāļāđāļāļ·āđāļāļāđāļāđāļāļāļāļĨāļīāđāļāļāļąāļāļāļēāļĢāļāđāļāđāļāļ āļāļēāļĢāļāļđāđāļĨāļŠāļļāļāļ āļēāļ āđāļĨāļ°āļŠāļīāļāđāļāļ·āđāļāļāļ°āļāļĨāļąāļāļāļąāļāđāļāļāļāļīāļāļāļĩāđāđāļāđāļēāļŠāļđāđāļĢāļ°āļāļāļāļēāļĢāļāļĨāļīāļāļĄāļēāļāļāļķāđāļ āđāļĄāđāļ§āđāļēāļŠāļīāđāļāļāļĩāđāļāļ°āļāļķāđāļāļāļĒāļđāđāļāļąāļāļāļ§āļēāļĄāđāļāđāļĄāđāļāđāļĨāļ°āļāļ§āļēāļĄāļŠāļēāļĄāļēāļĢāļāļāļāļāļāļđāđāļĄāļĩāļŠāđāļ§āļāđāļāđāļŠāđāļ§āļāđāļŠāļĩāļĒāđāļāļāļēāļĢāļĢāļ°āļāļļāļāđāļāļāļļāļāļāļĒāđāļēāļāđāļĄāđāļāļĒāļģ āļāļķāđāļāļĒāļąāļāļāļāđāļāđāļāļāļāļāļ§āļāđāļāļīāļāļāļāļīāļāļąāļāļīāļĄāļēāļāļāļ§āđāļēāđāļāļīāļāđāļāļāļāļīāļ āļāđāļāļāļļāļāļāļ§āļĢāđāļāđāļĢāļąāļāļāļēāļĢāļāļāļāļ§āļāđāļĄāļ·āđāļ āļāđāļĒāļāļēāļĒ āļāļąāļāļĢāļēāļāļēāļĢāđāļāļīāļ āļāļ§āļēāļĄāļāļļ āļŦāļĢāļ·āļāļāļĨāļĨāļąāļāļāđāļāļāļāļāđāļāļāļīāļāļāļĨāļēāļāļĄāļĩāļāļēāļĢāđāļāļĨāļĩāđāļĒāļāđāļāļĨāļ āļ§āļąāļāļāļļāļāļĢāļ°āļŠāļāļāđāļāļĩāđāļāļģāļāļķāļāļāļķāļāļāđāļāļāļļāļāļĒāļąāļāļāļāđāļĄāđāļŠāļēāļĄāļēāļĢāļāđāļāđāđāļāļāđāļēāļĒāļāļģāļāļąāļāļāļĩāđāđāļĒāđ āļāļēāļĢāļāļĢāļ°āļĄāļēāļāļāđāļēāļāļ§āļēāļĄāļāđāļēāđāļāļ·āđāļāļāļ·āļāļāļĩāđāđāļĄāđāļāđāļēāđāļāļ·āđāļāļāļ·āļ āļŦāļĢāļ·āļāļāļēāļĢāļāļąāļāļāļĩāļāļĩāđāđāļĄāđāļāļĢāļāļāđāļ§āļāļ§āđāļēāđāļāļĢāđāļāđāļāļāļđāđāđāļāļāļĢāļąāļāđāļāđāļĨāļ°āļāļĨāļĨāļąāļāļāđāđāļāđ
āļāļāļŦāļĄāļēāļĒāļāđāļēāļ§āļāļĢāļĩ
āđāļĢāļ·āđāļāļāļĢāļēāļ§ AI āļāļĩāđāļāļĢāļ§āļāļŠāļāļāđāļĨāđāļ§ 3 āđāļĢāļ·āđāļāļāļāļļāļāļ§āļąāļāļāļģāļāļēāļ āđāļāđāļē, āđāļāļĩāļĒāļāđāļāđāļāļ āļēāļĐāļēāļāļąāļāļāļĪāļĐāļāļĢāļĢāļĄāļāļē āļāļĢāļĩāļāļĨāļāļāđāļ āđāļĄāđāļĄāļĩāđāļāļĐāļāļē
āļāļĩāđāļĄāļĨāļŦāļāļķāđāļāļāļāļąāļāļāļļāļāļ§āļąāļāļāļģāļāļēāļ āļĒāļāđāļĨāļīāļāļāļēāļĢāļŠāļĄāļąāļāļĢāđāļāļāļĨāļīāļāđāļāļĩāļĒāļ§ āđāļĢāļēāđāļĄāđāđāļāļĒāļāļēāļĒāļŦāļĢāļ·āļāđāļāļĢāđāļāļĩāđāļāļĒāļđāđāļāļĩāđāļĄāļĨāļāļāļāļāļļāļ
āļāļāļŠāļāļāļāļąāļ§āđāļāļ
āļāđāļāđāļŠāļāļāđāļāļ°āļāļąāļāļāļĩāļŠāļģāļŦāļĢāļąāļāļāļļāļāļāļģāļāļāļ āđāļĨāļ°āđāļāļĢāļąāļāļĢāļāļāļāļĩāđāļŠāļēāļĄāļēāļĢāļāđāļāļĢāđāđāļāđāļāļĢāđāļāļĄ ID āļāļĩāđāļāļĢāļ§āļāļŠāļāļāđāļāđāđāļĄāļ·āđāļāļāļļāļāļāđāļēāļāļŦāļĨāļąāļāļŠāļđāļāļĢ
āļŠāļāļąāļāļŠāļāļļāļāļāļēāļĢāļĻāļķāļāļĐāļē AI āļāļĢāļĩ AI Understanding āđāļāđāļāļāļāļāđāļāļĢāđāļĄāđāđāļŠāļ§āļāļŦāļēāļāļĨāļāļģāđāļĢ 501(c)(3) â āđāļĄāđāļĄāļĩāđāļāļĐāļāļē āđāļĄāđāļĄāļĩāļāļģāđāļāļāđāļāļīāļ, āļāļĨāļāļāđāļ āļāļĢāļīāļāļēāļ
āļāļēāļĢāđāļĢāļĩāļĒāļāļĢāļđāđāđāļāļāļāļģāļāļķāļāļāļķāļāļāđāļāļāļļāļāļāļģāđāļŦāđāļāļĨāļĨāļąāļāļāđāļāļāļāļāļģāļāļģāļāļēāļĒāļāļĩāđāđāļāļāļāđāļēāļāļāļąāļāđāļāđāļāļŠāđāļ§āļāļŦāļāļķāđāļāļāļāļāļ§āļąāļāļāļļāļāļĢāļ°āļŠāļāļāđāđāļāļāļēāļĢāļāļķāļāđāļĄāđāļāļĨāļŦāļĢāļ·āļāļāļāļāļēāļĢāļāļąāļāļŠāļīāļāđāļ āļŠāļīāđāļāļāļĩāđāļĄāļĩāļāļ§āļēāļĄāļŠāļģāļāļąāļāđāļĄāļ·āđāļāļāļĨāļāļ§āļāļāļĨāļāļĄ āļāļĨāļĨāļāļāļĨāļāļĄ āļŦāļĢāļ·āļāļāđāļāļāļīāļāļāļĨāļēāļāđāļāļāļēāļ°āļāļĨāļēāļŠāļĄāļĩāļāļĨāļĨāļąāļāļāđāļāļĩāđāđāļĄāđāđāļāđāļēāļāļąāļ āļāļķāđāļāđāļāđāļāļāđāļāļāļąāļāļ§āļĨāļāļĩāđāļāļ§āļēāļĄāđāļĄāđāļŠāļĄāļāļļāļĨāļāļāļāļāļĨāļēāļŠāđāļāļĩāļĒāļāļāļĒāđāļēāļāđāļāļĩāļĒāļ§āđāļĄāđāđāļāđāļāļģāļŦāļāļ
āļāļēāļĢāļāļķāļāļĄāļēāļāļĢāļāļēāļāļāļ·āļāļ§āđāļēāļāđāļāļāļīāļāļāļĨāļēāļāļāļąāđāļāļŦāļĄāļāļĄāļĩāļāđāļāļāļļāļāđāļāđāļēāđāļāļĩāļĒāļĄāļāļąāļāđāļāļĒāļāļąāļĒ; āļāļēāļĢāđāļĢāļĩāļĒāļāļĢāļđāđāđāļāļāļāļģāļāļķāļāļāļķāļāļāđāļāļāļļāļāđāļāļāļāļĩāđāļŠāļīāđāļāļāļĩāđāļāđāļ§āļĒāđāļĄāļāļĢāļīāļāļāđāļāđāļāļāļļāļāļāļĩāđāļāļąāļāđāļāļāļŠāļģāļŦāļĢāļąāļāļāļĢāļ°āđāļ āļāļāđāļāļāļīāļāļāļĨāļēāļāļāļĩāđāđāļāļāļāđāļēāļāļāļąāļ
āļāļąāļ§āļāļĒāđāļēāļāļāļāļīāļāļēāļĒāļ§āđāļēāļāđāļāļāļļāļāļāļēāļāļāļēāļĢāđāļāļīāļāļāļāļāļāļēāļĢāļāđāļāđāļāļāļāļĩāđāđāļĄāđāļāļđāļāļāļĢāļ§āļāļāļąāļāļĄāļĩāļāđāļģāļŦāļāļąāļāļĄāļēāļāļāļ§āđāļēāļāđāļāļāļļāļāļāļĢāļīāļāļēāļĢāļĨāļđāļāļāđāļēāđāļāļāļēāļĢāļāļĢāļ§āļāļŠāļāļāļāļēāļĢāđāļāđāļāđāļāļ·āļāļāļāļīāļāļāļĨāļēāļ
āļāļđāđāļĄāļ·āļāļĢāļ°āļāļļāļāļ§āļēāļĄāđāļāđāļēāđāļāļāļīāļāļāļĩāđāđāļāļĒāđāļāļāļēāļ°: āļāļēāļĢāđāļĢāļĩāļĒāļāļĢāļđāđāđāļāļāļāļģāļāļķāļāļāļķāļāļāđāļāļāļļāļāđāļĨāļ°āļāļ§āļēāļĄāđāļĄāđāļŠāļĄāļāļļāļĨāļāļāļāļāļĨāļēāļŠāļĄāļĩāļāļ§āļēāļĄāļāļąāļāļāđāļāļāļāļąāļāđāļāđāđāļĄāđāđāļāđāđāļāļ§āļāļīāļāđāļāļĩāļĒāļ§āļāļąāļ
āļāļđāđāļĄāļ·āļāļĢāļ°āļāļļ class_weight āđāļĨāļ° scale_pos_weight āđāļāđāļāļāļēāļĢāļēāļĄāļīāđāļāļāļĢāđāļĄāļēāļāļĢāļāļēāļāļŠāļģāļŦāļĢāļąāļāļāļēāļĢāļāļģāđāļŠāļāļāļāđāļģāļŦāļāļąāļāļāļāļāļāļĨāļēāļŠāđāļāđāļĨāļāļĢāļēāļĢāļĩāđāļŦāļĨāđāļēāļāļĩāđ
MetaCost āļāļāļīāļāļēāļĒāļ§āđāļēāđāļāđāļāļ§āļīāļāļĩāļāļēāļĢāđāļāļ wrapper āļāļĩāđāļāļīāļāļāđāļēāļĒāļāđāļāļĄāļđāļĨāļāļķāļāđāļŦāļĄāđāļāļēāļĄāļāđāļāļāļļāļāļāļĩāđāļāļēāļāļŦāļ§āļąāļāļāđāļāļāļāļēāļĢāļāļĢāļąāļāđāļĄāđāļāļĨāļĄāļēāļāļĢāļāļēāļ
āđāļĢāļĩāļĒāļāļĢāļđāđāļāđāļāđāļ
āļāļģāđāļāļ°āļāļģāđāļāļīāđāļĄāđāļāļīāļĄāļāļĩāđāđāļĨāļ·āļāļāļŠāļģāļŦāļĢāļąāļāļŦāļąāļ§āļāđāļāļāļĩāđ
āļāđāļāđāļāļāļģāđāļāļ°āļāļģāļāđāļāđāļ
āļāļēāļĢāđāļĢāļĩāļĒāļāļĢāļđāđāđāļāļ·āđāļāļāļąāļāļāļąāļāļāļąāļāļŠāļģāļŦāļĢāļąāļāļāļēāļĢāļāđāļāļŦāļēāļāļĨāļīāļāļ āļąāļāļāđ
āđāļāļāļāļīāļ