14、支持医疗诊断的成本敏感决策树学习

支持医疗诊断的成本敏感决策树学习

1. 引言

在医疗领域，知识对于决策支持、生物医学研究和健康管理至关重要。数据挖掘和机器学习有助于知识发现过程。分类在医学中起着重要作用，尤其是在医疗诊断方面。现实世界的医疗应用通常需要能够最小化总成本的分类器，包括错误诊断成本（误分类成本）和诊断测试成本（属性成本）。

2. 分类与机器学习方法

分类方法可用于生成描述类或预测未来数据趋势的模型。机器学习和统计学中已经开发了大量用于预测建模的方法，包括使用贝叶斯方法、归纳决策树、规则学习器、超平面方法和懒惰学习方法等。然而，大多数现有的分类方法旨在最小化错误数量，而现实应用通常需要最小化总成本的分类器。

3. 成本类型

• 误分类成本 ：一个具有n个类的问题通常由一个n×n的矩阵来表征，其中第i行第j列的元素表示将属于类j的实例分类为类i的成本。通常，当i = j时成本为零。在某些情况下，误分类成本可能是有条件的，取决于特定特征或时间。
• 测试成本 ：医学中大多数诊断测试都有相关成本，这些成本因诊断测试而异。测试成本可能对所有患者恒定，也可能根据患者的特定特征而变化。一些测试一起进行（分组）可能比单独和顺序进行更便宜（且更快），一些测试可能有共同成本。

成本类型	描述
误分类成本	由n×n矩阵表征，i = j时成本为零，可