2018-11-23
阅读量:
817
基于代价函数的分类器决策控制
我们可以基于该代价矩阵计算其总代价:
TP*0+FN*1+FP*1+TN*0。接下来我们考虑下面的第二张表,基于该代价矩阵的分类代价的计算
公式为: TP*(-5)+FN*1+FP*50+TN*0。采用第二张表作为代价矩阵时,两种分类错误的代价是
不一样的。类似地,这两种正确分类所得到的收益也不一样。如果在构建分类器时,知道了这些
代价值,那么就可以选择付出最小代价的分类器。
在分类算法中,我们有很多方法可以用来引入代价信息。在AdaBoost中,可以基于代价函数
来调整错误权重向量D。在朴素贝叶斯中,可以选择具有最小期望代价而不是最大概率的类别作
为最后的结果。在SVM中,可以在代价函数中对于不同的类别选择不同的参数C。上述做法就会
给较小类更多的权重,即在训练时,小类当中只允许更少的错误。
0.0000
0
2
关注作者
收藏
评论(0)
发表评论
暂无数据
推荐帖子
0条评论
0条评论
1条评论