УДК 004.85
DOI: 10.36871/ek.up.p.r.2024.12.32.011

Авторы

Брайан Александрович Локвуд,
Huobi / HTX (Crypto FinTech), Санкт-Петербург, Россия

Аннотация

Стратегия Cost-sensitive learning актуальна для повышения результативности в задачах с дисбалансом классов благодаря тому, что позволяет учитывать разные затраты, связанные с ошибками классификации, и минимизировать общую стоимость ошибок. Это важно, так как дисбаланс классов возникает во многих реальных задачах, например, в обнаружении мошенничества, медицинской диагностике, обнаружении сетевых вторжений. Традиционные алгоритмы машинного обучения, которые не учитывают дисбаланс, часто генерируют неоптимальные модели, так как ориентированы на больший класс. Они часто демонстрируют низкую эффективность, особенно когда ошибки в классификации разнородны по своей важности. В связи с этим Cost-sensitive learning становится ключевым подходом для повышения результативности моделей, позволяя учитывать различия в последствиях неправильной классификации различных классов. Cost-sensitive learning назначает разные веса различным классам в зависимости от их важности для задачи. Например, классу-меньшинству можно присвоить больший вес, чтобы модель более активно учила его представления. Эффективность стратегии Cost-sensitive learning оценивается с помощью метрик производительности – точности, TPR, TNR, G-Mean и других. Например, методы Cost-sensitive learning могут улучшать результаты по метрикам, таким как точность, TPR и G-Mean. Однако есть и проблемы, такие как определение подходящих затрат – это требует глубокого понимания домена задачи и потенциальных затрат, связанных с ошибками классификации, и баланс между стоимостью ошибок и общей точностью алгоритма – для оптимальных результатов необходимо тщательно балансировать эти показатели. Современные инновационные решения открывают новые возможности для улучшения стратегий cost-sensitive learning. Внедрение адаптивных алгоритмов, методов глубокого обучения и гибридных моделей позволяет не только корректно распределять затраты на ошибки, но и эффективно справляться с проблемами сильного дисбаланса классов. Цель исследования заключается в разработке стратегии повышения результативности Cost-sensitive learning в задачах с дисбалансом классов с помощью внедрения инновационных решений. Практическая значимость статьи, определяющей результативные подходы к развитию Cost-sensitive learning в задачах с дисбалансом классов, заключается в том, что она помогает повысить эффективность моделей машинного обучения, учитывая неравномерное распределение классов.

Ключевые слова

Cost-sensitive learning, задачи, дисбаланс классов, стратегия, повышение результативности, инновационные решения, data science