이진 의사 결정 모델링에서 지역 및 글로벌 민감도 탐색

링크 표

초록 및 1. 소개

2. 우리 모델의 기본 구내

   2.1. LLM이 청구되는 방법

   2.2 산업의 끊임없는 모델

   2.3 모델의 비용 선택

   2.4 왜 여러 시나리오

3. 결정 이론적 모델

   3.1 성공을 모델링하는 방법

4. 단일 거래를 기반으로 한 상업용 운영 모델

   4.1 모델 사용의 예

   4.2 모델 분석

   4.3 ROI vs. Dillema 소득에 대한 토론

5. 이진 분류 문제의 모델링

   5.1 국소 민감도 분석

   5.2 소볼 방법에 의한 글로벌 감도 분석

6. 관련 작업

7. 미래의 일

8. 결론, 참고 문헌 및 승인

5 이진 분류 문제의 모델링

이진 분류 문제는 기계 학습의 감독 학습 과제 유형으로, 목표는 특정 인스턴스가 속한 두 클래스 (범주) 중 어느 것을 예측하는 것이 목표입니다. [Bishop, 2006]. 이진 분류의 출력 변수는 일반적으로 0과 1, “예”및 “아니오”또는 “true”및 “false”로 표시되는 두 가지 가능한 값을 갖는 범주 형 변수입니다.

예를 들어, 의료 진단 적용에서, 환자가 연령, 혈압, 콜레스테롤 수치 및 기타 건강 지표와 같은 다양한 입력 특성에 기초하여 특정 질병을 앓고 있는지 여부를 분류하는 것일 수 있습니다.

이진 분류의 맥락에서, 발생할 수있는 다른 결과를 이해하는 것이 중요합니다. 일반적으로 이진 분류 문제의 결과는 진정한 긍정적, 잘못된 양성, 진정한 부정 및 거짓 부정을 나열하는 혼란 매트릭스를 통해 설명됩니다. [Bishop, 2006].

진정한 양의 (TP)는 모델이 양수 클래스를 올바르게 예측할 때 발생합니다. 예를 들어, 모델이 거래를 사기로 식별하고 실제로 사기 인 경우, 이것은 진정한 긍정적입니다. 대조적으로, 진정한 음수 (TN)는 모델이 비 화사 트랜잭션을 올바르게 식별하는 등 음성 클래스를 정확하게 예측할 때 발생합니다. [Bishop, 2006].

이진 분류 작업과 관련된 비용은보다 자세한 계산이 필요합니다. 첫째, 각 작업마다 수행 할 작업으로 구분되어야합니다. 또한, 분류 만 참 또는 거짓으로 고려할 때, 진정한 긍정, 진정한 부정, 허위 긍정 및 허위 부정 사이의 모든 가능한 옵션과 관련된 모든 옵션과 관련된 비용을 고려해야합니다.

처음에는 다른 비용을 고려하기 위해 표현의 변화를 분석하는 것이 흥미 롭습니다.

이 수정을 통해 예상 수입은 다음과 같이 모델링 할 수 있습니다.

방정식 방정식 30에서 ROI를 다음과 같이 계산할 수 있습니다.

5.1 국소 민감도 분석

부분 파생물에 대한 직접적인 분석은 다음과 같은 제한이 있기 때문에 절대적으로 정확하지 않습니다.

다시 우리는 선형성을 분석하기 위해 Hessian 매트릭스를 점검하고 64 개의 부분 파생 상품에 대해 48 개의 0을 발견했습니다.[E]상당히 선형입니다. 그러나 다시 ROI의 Hessiam 매트릭스에는 많은 수의 0이 표시되지 않으므로 ROI의 로컬 분석을 건너 뛸 것입니다.

식 41과 42에는 다음과 같이 다시 작성할 수 있기 때문에 주목할 점이 있습니다.

이전 방정식에서, 우리는 이제 영향의 분리를 볼 수 있습니다. 성공과 실패의 측정으로 P와 (1 -P) 만 사용했을 때 P와 G + L 사이에는 강한 상호 작용이있었습니다. 이제 분리가 있으며, G는 대부분 자신의 확률에 의해 영향을받습니다.

5.2 소볼 방법에 의한 글로벌 감도 분석