Example-dependent cost-sensitive decision trees

چندین مشکل طبقه بندی دنیای واقعی به طور مثال وابسته به هزینه های حساس در طبیعت هستند، جایی که هزینه های ناشی از طبقه بندی تقلبی بین نمونه ها متفاوت است. با این حال، روش های طبقه بندی استاندارد این هزینه ها را به حساب نمی گیرند و هزینه های ثابت خطاهای اشتباه طبقه بندی را در نظر می گیرند. تکنولوژیهای حساس وابسته به مثالهای وابسته به حالت قبلی تنها هزینه قبل و بعد از آموزش را به الگوریتم معرفی می کنند، بنابراین، فرصت ها را برای بررسی اثر بالقوه الگوریتم هایی که هزینه های وابسته به مثال واقعی مالی را در نظر می گیرند، معرفی می کنند در طول یک الگوریتم آموزش. در این مقاله، الگوریتم تصمیم گیری وابسته به هزینه وابسته به عنوان مثال، با ترکیب هزینه های مختلف به عنوان مثال وابسته به یک اندازه گیری ناخالص مبتنی بر هزینه های جدید و معیارهای هرس بر اساس هزینه های جدید است. سپس، با استفاده از سه پایگاه داده مختلف از سه برنامه دنیای واقعی: تشخیص تقلب کارت اعتباری، امتیاز اعتبار و بازاریابی مستقیم، روش پیشنهادی را ارزیابی می کنیم. نتایج نشان می دهد که الگوریتم پیشنهادی بهترین روش برای همه پایگاه های داده است. علاوه بر این، در مقایسه با یک درخت تصویب استاندارد، روش ما در پنجه از زمان درختان به طور معنی داری کوچکتر می سازد، در حالیکه عملکرد برتر را با صرفه جویی هزینه ها اندازه گیری می کند و منجر به یک روش است که نه تنها نتایج کسب وکار بیشتری دارد بلکه همچنین یک روش که مدل های ساده تر را ارائه می دهد که برای تحلیل آسان تر است.