假正例(False Positive):预测为1,实际为0的样本
假负例(False Negative):预测为0,实际为1的样本
实际预测中,那些真正例(True Positive)和真负例(True Negative)都不会造成损失(cost)。
那么,我们假设一个假正例的损失是LFP,一个假负例的损失是LFN。
我们可以得到一个损失矩阵:
y^=1 | y^=0 | |
y=1 | 0 | LFN |
y=0 | LFP | 0 |
其中,y是真实值,y^是预测值。
那么,我们可以得到一个样本的后验期望损失:
例如,c=1时,我们对假正例和假负例同等对待,则可以得到我们的决策边界0.5。
参考资料:《machine learning: A Probablistic Perspective》