Nguồn tham khảo: Drummond, C., & Holte, R. C. (2006). Cost curves: An improved method for visualizing classifier performance. Machine Learning, 65(1), 95–130. https://doi.org/10.1007/s10994-006-8199-5
Truy cập toàn văn: https://doi.org/10.1007/s10994-006-8199-5
Tóm tắt nội dung
Chris Drummond và Robert C. Holte giới thiệu đường cong chi phí (cost curves), kỹ thuật đồ thị để hình dung hiệu năng của bộ phân loại hai lớp, đo bằng tỷ lệ lỗi hoặc chi phí kỳ vọng, trên toàn bộ dải phân phối lớp và chi phí phân loại sai có thể xảy ra. Vấn đề đặt ra là so sánh các bộ phân loại khi chưa biết chắc tỷ lệ lớp dương thực tế hay cái giá của từng loại lỗi. Đường cong ROC chứa đủ thông tin, nhưng khó đọc trực tiếp chênh lệch chi phí giữa các mô hình.
Trên đường cong chi phí, trục hoành gộp xác suất tiên nghiệm của lớp dương và các chi phí thành một đại lượng, trục tung là chi phí kỳ vọng chuẩn hóa. Mỗi bộ phân loại, ứng với một điểm trong không gian ROC, trở thành một đoạn thẳng; đường bao dưới cho biết chi phí thấp nhất đạt được ở từng điều kiện vận hành. Nhờ vậy, người dùng thấy ngay mô hình nào tốt hơn trong khoảng điều kiện nào, hơn bao nhiêu, và khi nào một mô hình còn thua chiến lược gán mọi trường hợp vào cùng một lớp.
Với dự báo bỏ học, tỷ lệ bỏ học từng khóa và cách nhà trường định giá lỗi bỏ sót thường thay đổi, nên đường cong chi phí giúp chọn mô hình và ngưỡng vẫn hợp lý trên cả một dải kịch bản thay vì chỉ ở một điểm cố định.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Đường cong chi phí của Drummond và Holte (2006) là một cách trực quan hóa tương đương, biểu diễn chi phí kỳ vọng trên mọi tỷ lệ chi phí và phân phối lớp.
Xem bài viết chính: Ứng dụng học máy phát hiện sinh viên có nguy cơ bỏ học: từ bài toán lớp thiểu số đến quyết định can thiệp