如何解决增加 xgboost 二元分类中的阳性预测值
我在一家保险公司从事二元分类项目。
该数据集有 70 个特征,包括 BMI、工作等,约 35,000 行。
基于二进制分类分数(概率值乘以100)低于1,我们接受合约。 (例如,如果原始概率超过 0.01,则合约进入拒绝区域。)
我的目标是提高准确性(自动吸引更多人进入)并同时提高阳性预测值。 (本例中,正值为0,接受合同)。我知道这听起来很贪心,但如果有什么方法可以改进它,我愿意接受任何建议。
到目前为止 1259 个测试用例
xgb hyperparameters
: eta = 0.5,gamma = 0.25,max_depth = 25,subsample = 1,colsample_bytree = 0.6
(definitely gonna overfit,but it gives me the best result in terms of positive predictive value)
cancer_test$test_YN = as.factor(ifelse(test_prediction < 0.01,1)
confusionMatrix(cancer_test$test_YN,test_label,positive = '0')
reference
0 1
prediction
0 538 15
1 585 121
Pos Pred Value = 0.9729
Sensitivity = 0.4791
#(these are the two values I wanna improve)
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。