コスト重視の機械学習

コストセンシティブ機械学習^{[ 1 ] [ 2 ]}は、異なる種類のエラーに関連するさまざまなコストを考慮する機械学習のアプローチです。この方法は、コストマトリックスを導入し、各タイプの予測エラーに対するペナルティまたは利益を明示的に指定することで、従来のアプローチと異なります。コストセンシティブ機械学習が取り組む本質的な難しさは、さまざまな種類の分類エラーを最小化することが多目的最適化問題であることです。

コスト重視型機械学習は、誤分類の具体的な影響に基づいてモデルを最適化するため、様々なアプリケーションにおいて有用なツールとなります。特に、クラス分布の不均衡が大きく、関連コストの不均衡が大きい問題において有効です。

コスト重視型機械学習では、この多目的最適化問題において（加重和モデルと同様に）複数のパレート最適解のうちの1つを見つけるために、スカラーコスト関数を導入します。

コストマトリックスは、コストセンシティブモデリングにおいて重要な要素であり、^{[ 2 ]}分類タスクにおけるさまざまな予測エラーに関連するコストまたは利益を明示的に定義します。表として表現されるこのマトリックスは、真のクラスと予測されたクラスを並べ、それぞれの組み合わせにコスト値を割り当てます。たとえば、二値分類では、偽陽性と偽陰性のコストを区別することができます。コストマトリックスの有用性は、期待されるコストまたは損失を計算するために適用できることにあります。二重和として表現されるこの式は、結合確率を利用します。

$期待損失 = Σ_i Σ_j P(実際値_i,予測値_j) ∫ 費用_i,予測値_j$

ここ、${\displaystyle P({\text{実際}}_{i},{\text{予測}}_{j})}$実際のクラスの同時確率を表す${\displaystyle i}$ 予測クラス ${\displaystyle j}$これにより、確率とそれに伴うコストの両方を考慮した、より詳細な指標が得られます。このアプローチにより、実務者は誤分類の具体的な影響に基づいてモデルを微調整し、予測誤差の影響がクラスによって異なるシナリオにも対応できます。

コスト重視の機械学習における典型的な課題は、時間とともに変化する可能性のあるコスト行列を確実に決定することである。

• コスト重視型機械学習。米国、CRC Press、2011年。ISBN 9781439839287
• Abhishek, K.、Abdelaziz, D. M. (2023). 機械学習による不均衡データへの対処：機械学習と深層学習技術を用いた不均衡データセットへの対応。(np): Packt Publishing. ISBN 9781801070881