代价敏感学习

代价敏感学习是指为不同类别的样本提供不同的权重，从而让机器学习模型进行学习的一种方法。 在通常的学习任务中，所有样本的权重一般都是相等的，但是在某些特定的任务中也可以为样本设置不同的权重。比如风控或者入侵检测，这两类任务都具有严重的数据不平衡问题，例如风控模型，将一个坏用户分类为好用户所造成的损失远远大于将一个好用户分类来坏用户的损失，因此在这种情况下要尽量避免将坏用户分类为好用户，可以在算法学习的时候，为坏用户样本设置更高的学习权重，从而让算法更加专注于坏用户的分类情况，提高对坏用户样本分类的查全率，但是也会将很多好用户分类为坏用户，降低坏用户分类的查准率。