論文の概要: The foundations of cost-sensitive causal classification
- arxiv url: http://arxiv.org/abs/2007.12582v5
- Date: Tue, 20 Apr 2021 06:50:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 05:45:16.705815
- Title: The foundations of cost-sensitive causal classification
- Title（参考訳）: コスト感受性因果分類の基礎
- Authors: Wouter Verbeke, Diego Olaya, Jeroen Berrevoets, Sam Verboven,
Sebasti\'an Maldonado
- Abstract要約: 本研究は,統一評価フレームワークの試作により,コスト感受性と因果分類を統合した。
本研究は,従来の分類が,パフォーマンス指標の範囲における因果分類の特定の事例であることを示す。
提案手法は,コスト依存型因果学習手法の開発への道を開くものである。
- 参考スコア（独自算出の注目度）: 3.7493611543472953
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Classification is a well-studied machine learning task which concerns the
assignment of instances to a set of outcomes. Classification models support the
optimization of managerial decision-making across a variety of operational
business processes. For instance, customer churn prediction models are adopted
to increase the efficiency of retention campaigns by optimizing the selection
of customers that are to be targeted. Cost-sensitive and causal classification
methods have independently been proposed to improve the performance of
classification models. The former considers the benefits and costs of correct
and incorrect classifications, such as the benefit of a retained customer,
whereas the latter estimates the causal effect of an action, such as a
retention campaign, on the outcome of interest. This study integrates
cost-sensitive and causal classification by elaborating a unifying evaluation
framework. The framework encompasses a range of existing and novel performance
measures for evaluating both causal and conventional classification models in a
cost-sensitive as well as a cost-insensitive manner. We proof that conventional
classification is a specific case of causal classification in terms of a range
of performance measures when the number of actions is equal to one. The
framework is shown to instantiate to application-specific cost-sensitive
performance measures that have been recently proposed for evaluating customer
retention and response uplift models, and allows to maximize profitability when
adopting a causal classification model for optimizing decision-making. The
proposed framework paves the way toward the development of cost-sensitive
causal learning methods and opens a range of opportunities for improving
data-driven business decision-making.
- Abstract（参考訳）: 分類は、一連の結果に対するインスタンスの割り当てに関する、よく研究された機械学習タスクである。
分類モデルは、さまざまな運用ビジネスプロセスにわたる管理的意思決定の最適化をサポートする。
例えば、ターゲットとする顧客選択を最適化することにより、保持キャンペーンの効率を高めるために顧客チャーン予測モデルが採用されている。
コスト感受性および因果分類法は独立に,分類モデルの性能向上のために提案されている。
前者は、顧客の利益のような正当で不正な分類の利点とコストを考慮し、後者は、保持キャンペーンのような行動の因果効果が利害関係の結果に与える影響を推定する。
本研究は,統一評価フレームワークの試作により,コスト感受性と因果分類を統合した。
このフレームワークは、因果分類モデルと従来の分類モデルの両方を、コストに敏感かつコストに敏感な方法で評価するための、既存のおよび新しいパフォーマンス指標を含む。
我々は,従来の分類が,行動回数が1に等しい場合に,パフォーマンス指標の範囲において,因果分類の特定の事例であることを証明した。
このフレームワークは、顧客の維持と対応強化モデルを評価するために最近提案されたアプリケーション固有のコスト依存パフォーマンス対策をインスタンス化し、意思決定を最適化するための因果分類モデルを採用する際の利益率を最大化することができる。
提案されたフレームワークは、コストに敏感な因果学習手法の開発への道を開き、データ駆動型ビジネス意思決定を改善するための様々な機会を開く。
関連論文リスト
- Achieving Fairness in Predictive Process Analytics via Adversarial Learning [50.31323204077591]
本稿では、デバイアスフェーズを予測ビジネスプロセス分析に組み込むことの課題に対処する。
本研究の枠組みは, 4つのケーススタディで検証し, 予測値に対する偏り変数の寄与を著しく低減することを示した。
論文 参考訳（メタデータ） (2024-10-03T15:56:03Z) - An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - Evaluating the Fairness of Discriminative Foundation Models in Computer
Vision [51.176061115977774]
本稿では,CLIP (Contrastive Language-Pretraining) などの差別基盤モデルのバイアス評価のための新しい分類法を提案する。
そして、これらのモデルにおけるバイアスを緩和するための既存の手法を分類学に関して体系的に評価する。
具体的には,ゼロショット分類,画像検索,画像キャプションなど,OpenAIのCLIPとOpenCLIPモデルをキーアプリケーションとして評価する。
論文 参考訳（メタデータ） (2023-10-18T10:32:39Z) - Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。
我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。
提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文 参考訳（メタデータ） (2023-03-28T00:23:23Z) - In Search of Insights, Not Magic Bullets: Towards Demystification of the
Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。
選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
論文 参考訳（メタデータ） (2023-02-06T16:55:37Z) - Addressing Strategic Manipulation Disparities in Fair Classification [15.032416453073086]
少数派の個人が、機能更新に高額な費用を払っていることがよく示されます。
マイノリティグループに対する戦略的操作コストを低減させる分類器を構築するための制約付き最適化フレームワークを提案する。
実世界の複数のデータセットに対して,本手法の有効性を実証的に示す。
論文 参考訳（メタデータ） (2022-05-22T14:59:40Z) - Budgeted Classification with Rejection: An Evolutionary Method with
Multiple Objectives [0.0]
予算付きシーケンシャル分類器(BSC)プロセスは、部分的特徴取得と評価ステップのシーケンスを通じて入力を行う。
これにより、不要な特徴取得を防止するための入力の効率的な評価が可能になる。
本稿では,信頼度に基づく拒否オプション付き逐次分類器を構築するための問題固有遺伝的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-01T22:05:16Z) - Probabilistically Robust Recourse: Navigating the Trade-offs between
Costs and Robustness in Algorithmic Recourse [34.39887495671287]
本稿では,達成された(反感)と所望のリコース無効率とのギャップを同時に最小化する目的関数を提案する。
我々は,任意のインスタンスに対応するリコース無効化率を特徴付けるために,新しい理論的結果を開発した。
複数の実世界のデータセットを用いた実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2022-03-13T21:39:24Z) - On the estimation of discrete choice models to capture irrational
customer behaviors [4.683806391173103]
我々は、部分的にランク付けされた好みを使って、トランザクションデータから合理的で不合理な顧客タイプを効率的にモデル化する方法を示す。
提案手法の予測精度を評価する実験を幅広く行った。
論文 参考訳（メタデータ） (2021-09-08T19:19:51Z) - To do or not to do: cost-sensitive causal decision-making [3.492636597449942]
二重因果分類のためのコスト感受性決定境界を導入する。
境界は、プラスおよび負の処置クラスの因果的分類インスタンスが予想因果利益を最大化することを可能にする。
期待因果利益を最大化するための事例をランク付けする期待因果利益ランキングを提案する。
論文 参考訳（メタデータ） (2021-01-05T08:36:01Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳（メタデータ） (2021-01-02T02:11:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。