成本敏感型学习：依赖于示例的成本敏感型学习的混合整数线性规划方法

成本敏感的学习 依赖实例的成本敏感型学习的混合整数规划方法 抽象 在这项研究中，我们研究了与示例相关的成本敏感型学习，该学习基于标签决策带来了不同的成本/回报。 这些问题源于决策模型，在数据中成本/收益信息而不是真正标签的重点领域中得到了区分。 例如，在流失预测和信用评分中，主要目的是建立预测模型和决策规则，以最大化/最小化公司的回报/成本。 传统的精度驱动的分类方法没有考虑基于实例的成本/回报。 取而代之的是，学习基于恒定的错误分类错误进行。 因此，我们提出了一种将基于实例的成本/收益纳入学习算法的一般策略。 具体而言，将学习问题表述为混合整数程序，以使总回报最大化。 考虑到混合整数线性规划问题的高计算复杂性，该模型对于大规模数据集的训练实际上可能效率低下。 为了解决这个问题，我们还提出了成本敏感型Logistic回归，这是公式化线性模型的非线性近似，这得益于使用深度学习工具进行的基于梯