Aprendizaje automático sensible al costo

El aprendizaje automático sensible a los costos ^{[ 1 ] [ 2 ]} es un enfoque dentro del aprendizaje automático que considera costos variables asociados con diferentes tipos de errores . Este método se diferencia de los enfoques tradicionales al introducir una matriz de costos, especificando explícitamente las penalizaciones o beneficios para cada tipo de error de predicción. La dificultad inherente que aborda el aprendizaje automático sensible a los costos radica en que minimizar diferentes tipos de errores de clasificación es un problema de optimización multiobjetivo .

El aprendizaje automático sensible a los costos optimiza los modelos en función de las consecuencias específicas de las clasificaciones erróneas, lo que lo convierte en una herramienta valiosa en diversas aplicaciones. Es especialmente útil en problemas con un alto desequilibrio en la distribución de clases y un alto desequilibrio en los costos asociados.

El aprendizaje automático sensible al costo introduce una función de costo escalar para encontrar uno (de varios) puntos óptimos de Pareto en este problema de optimización multiobjetivo (similar al modelo de suma ponderada ).

La matriz de costos es un elemento crucial en el modelado sensible a los costos, ^{[ 2 ]} que define explícitamente los costos o beneficios asociados con diferentes errores de predicción en tareas de clasificación. Representada como una tabla, la matriz alinea las clases verdaderas y predichas, asignando un valor de costo a cada combinación. Por ejemplo, en la clasificación binaria, puede distinguir los costos de los falsos positivos y los falsos negativos. La utilidad de la matriz de costos radica en su aplicación para calcular el costo o la pérdida esperada. La fórmula, expresada como una doble sumatoria, utiliza probabilidades conjuntas:

${\displaystyle {\text{Pérdida esperada}}=\sum _{i}\sum _{j}P({\text{Real}}_{i},{\text{Predicho}}_{j})\cdot {\text{Costo}}_{{\text{Real}}_{i},{\text{Predicho}}_{j}}}$

Aquí,${\displaystyle P({\text{Real}}_{i},{\text{Predicho}}_{j})}$denota la probabilidad conjunta de clase real${\displaystyle i}$ y clase predicha ${\displaystyle j}$Esto proporciona una medida matizada que considera tanto las probabilidades como los costos asociados. Este enfoque permite a los profesionales ajustar los modelos en función de las consecuencias específicas de las clasificaciones erróneas, adaptándolos a escenarios donde el impacto de los errores de predicción varía entre las clases.

Un desafío típico en el aprendizaje automático sensible a los costos es la determinación confiable de la matriz de costos, que puede evolucionar con el tiempo.

• Aprendizaje automático sensible al costo. EE. UU., CRC Press, 2011. ISBN 9781439839287
• Abhishek, K., Abdelaziz, D. M. (2023). Aprendizaje automático para datos desequilibrados: Abordar conjuntos de datos desequilibrados mediante técnicas de aprendizaje automático y aprendizaje profundo. (np): Packt Publishing. ISBN 9781801070881