正確な学習よりも得する学習: 誤分類コストを考慮する分類学習 （2）解決編

摘要

前回紹介した，クレジットカードの不正利用を警告するシステムの開発担当者は，使った決定本学習法が失敗する理由を，通常利用の例が不正利用の例に比べて圧倒的に多いためであると考えた．このことより，彼は決定木学習法を適用するデータを前処理することにした．方法は3通りあり，1）通常利用に属す例集合の一部を取り除く，2）不正利用に属す例を複製する，3）例をクラスに応じて重み付けして用いる．この開発担当者は几帳面であり，パラメータをいくつか設定していろいろな値を試し，たくさんの分類モデル，すなわち決定木を学習で得た．得た決定木は，前回紹介した誤分類コストの評価法の1つである期待誤分類コストで優劣をつけた．このようにして最良と認められた決定木は，比較的単純であり，期待誤分類コストが低かった．ただし，この開発担当者は2つの間違いを犯しており，この決定木が実は性能が悪いことに気づく由もなかった．