[发明专利]一种优化混淆矩阵的双目标有界拒绝分类方法

说明书

本发明公开了一种优化混淆矩阵的双目标有界拒绝分类方法，包括：(1)通过优化带拒绝机制的混淆矩阵确定拒绝分类器；(2)分别约束正类和负类的拒绝率，最小化假阳性率和假阴性率；(3)利用NSGA‑II算法求解优化模型，得到帕累托最优解集；(4)根据不同的应用场景或条件，从帕累托最优解集中选择最佳拒绝分类器；(5)利用最佳拒绝分类器对待测样本进行分类，得到该样本的类别：正类、负类或拒绝分类。

技术领域

本发明涉及机器学习分类方法领域，具体涉及一种优化混淆矩阵的双目标有界拒绝分类方法。

背景技术

拒绝分类是对不确定样本延迟分类的一种方法，对置信度低的不确定样本拒绝分类，能够减少可能的分类错误，降低错分代价。拒绝分类在实际应用中是存在的，如医生根据当前已知的患者信息无法提供有把握的决策时，为防止误诊或漏诊不会立即做出判断，而是推迟决策，通过收集患者更多信息或者专家会诊等，减少不确定性，既而提供准确决策。拒绝分类在这种安全关键领域中具有广泛应用。

两类拒绝分类中，分类规则如下所示：

若样本x属于正类的置信得分s(x)不大于t₁，该样本分类为负类(-)；若大于t₂，该样本分类为正类(+)；否则，该样本拒绝分类(R)。为了确定两个拒绝阈值t₁和t₂(t₁＜t₂)，研究者提出了不同的拒绝分类方法。这些方法的主要思想是优化某个性能相关的指标，如总分类代价、总拒绝约束下的错误率或类依赖约束下的AUC(ROC曲线下的面积)，通过求解无约束优化模型或约束优化模型得到拒绝阈值(Lin D，Sun L，Toh KA，et al.Twin SVM witha reject option through ROC curve[J].Journal of the Franklin Institute，2017，355(4)：1710-1732；Pietraszek T.On the use of ROC analysis for the optimizationof abstaining classifiers[J].Machine Learning，2007，68(2)：137-169；Guan H，ZhangY，Cheng H D，et al.BA2Cs：Bounded abstaining with two constraints of rejectrates in binary classification[J].Neurocomputing，2019，357(SEP.10)：125-134)。

这些拒绝分类方法只优化一个固定的综合指标，面对不同应用场景时鲁棒性差。当优化的指标恰是具体应用中需求的，这个分类方法能够提供较优的分类性能；若实际应用中使用的评估指标不是拒绝分类方法的优化指标，那么使用这个拒绝分类方法可能不能得到满意的分类结果。另外，实际应用中代价信息难以获得或估计，优化与代价相关的指标是有局限性的，且当代价信息改变时，需要重新训练拒绝分类器，计算效率降低。

发明内容

任何一个性能评估指标都可以由带拒绝机制的混淆矩阵(简称“拒绝混淆矩阵”，如表1所示)求得，由于拒绝混淆矩阵有四个自由度，至少需要优化四个基本指标，因此，本发明提供了一种优化混淆矩阵的双目标有界拒绝分类方法。

一种优化混淆矩阵的双目标有界拒绝分类方法，包括：

(1)通过优化带拒绝机制的混淆矩阵确定拒绝分类器；

(2)分别约束正类和负类的拒绝率，最小化假阳性率和假阴性率；

(3)利用NSGA-II算法求解优化模型，得到帕累托最优解集；

(4)根据不同的应用场景或条件，从帕累托最优解集中选择最佳拒绝分类器；