减少ML模型的误报

Question

在训练ML模型时，有没有一种很好的方法来限制误报

假设您从一个具有两个类的平衡数据集开始。您为二元分类开发了一个ML模型。由于任务简单，输出分布将分别在0和1处达到峰值，并在0.5左右重叠。然而，你真正关心的是，你的假阳性率是可持续的，不能超过一定数量。 因此，您最好将其用于pred>；0.8你只有一门课

目前，我正在对两个类进行加权，以惩罚类“0”上的错误

history = model.fit(..., class_weight={0:5, 1:1}, ...)

正如预期的那样，它确实降低了pred地区的fpr>；0.8，这当然会使一级召回情况恶化

我想知道是否有其他的方法来执行这一点

多谢各位

Answer 1

根据你的问题，你可以考虑一类分类支持向量机。这篇文章很有用：https://towardsdatascience.com/outlier-detection-with-one-class-svms-5403a1a1878c。本文还介绍了为什么一类分类是更好地考虑，而不是一些其他经典技术，如过采样/欠采样或类加权。当然，这取决于你想解决的问题