如何降低疾病监测的漏诊比率？一种新的分类学习算法

小叽导读：在高风险分类（例如：高死亡率疾病监测、自动驾驶等场景）中控制假阳性率是非常重要的，由算法得出的结果将对个人产生巨大的影响。遗漏一名潜在病人的风险，远远高于误诊一名正常人。因此，我们希望在保证分类器假阳性率(即错误地将负样本分类为正样本的概率) 低于某个阈值 τ 的前提下，最小化其误分正样本的概率。下面，我们就一起来看看阿里工程师如何实现这个目标。

作者：张翱，李楠，浦剑，王骏，严骏驰，查宏远

摘要

许多实际应用需要在满足假阳性率上限约束的前提下学习一个二分类器。对于该问题，现存方法往往通过调整标准分类器的参数，或者引入基于领域知识的不平衡分类损失来达到目的。由于没有显式地将假阳性率上限融合到模型训练中，这类方法的精度往往受到制约。

本文提出了一个新的排序——阈值方法τ-FPL 解决这个问题。首先，我们设计了一个新的排序学习方法，