💰 代价敏感错误率
综合考虑假阳性和假阴性的不同代价：
其中 p 为正类先验概率，FNR = 1 - TPR，FPR 为假正率，Cfn 和 Cfp 分别为假阴性和假阳性的单位代价。
📉 归一化期望代价与概率成本函数
代价曲线的横轴为概率成本函数 PC(+)，纵轴为归一化期望代价：
对于固定阈值，代价曲线是一条从 (0, FPR) 到 (1, FNR) 的线段，所有阈值的下包络构成最优代价曲线。
📋 参数说明
| 参数 | 含义 | 取值范围 | 说明 |
|---|---|---|---|
| μ₁（正类均值） | 正类样本分数的平均值 | 0 ~ 10 | 越大表示正类样本整体得分越高 |
| σ₁（正类标准差） | 正类样本分数的离散程度 | 0.5 ~ 5 | 越大表示正类样本分数分布越分散 |
| μ₂（负类均值） | 负类样本分数的平均值 | 0 ~ 10 | 越大表示负类样本整体得分越高 |
| σ₂（负类标准差） | 负类样本分数的离散程度 | 0.5 ~ 5 | 越大表示负类样本分数分布越分散 |
| p（正类先验概率） | 数据集中正类样本所占比例 | 0.01 ~ 0.99 | 影响期望代价的加权 |
| Cfn（假阴性代价） | 漏报一个正类的代价 | 0.1 ~ 10 | 例如疾病漏诊的代价 |
| Cfp（假阳性代价） | 误报一个负类的代价 | 0.1 ~ 10 | 例如垃圾邮件误判的代价 |
| 分类阈值 | 判定正类的分数分界线 | 动态范围 | 分数高于阈值判为正类 |
📘 标准介绍
代价敏感错误率是传统错误率的扩展，它赋予假阳性（FP）和假阴性（FN）不同的代价权重。对于二分类问题，代价敏感错误率定义为：Cost = p·FNR·Cfn + (1-p)·FPR·Cfp，其中 p 是正类先验概率，FNR 和 FPR 分别是假阴率和假阳率。代价曲线（Cost Curve）则是在不同先验概率和代价比下，以概率成本函数 PC(+) 为横轴、归一化期望代价为纵轴绘制的图形。固定阈值对应一条线段，所有阈值线段的下包络表示最优分类器在不同代价环境下的表现。
💡 通俗介绍
想象你是机场安检员，要把乘客分为“可疑”和“正常”。把好人误判为可疑（假阳性）会耽误时间，但把可疑人员漏掉（假阴性）可能造成灾难——两者的代价完全不同！代价敏感错误率就是给这两种错误分别“定价”，然后计算总损失。代价曲线则像一张“代价地图”，告诉你在不同的人群比例和错误代价下，你的安检策略（阈值）会带来多大的归一化损失，帮你找到最省钱、最安全的平衡点。
🎯 解决了什么问题
传统准确率假设所有错误同等严重，这在许多真实场景中并不成立。例如在医疗诊断中，漏诊癌症（假阴性）的后果远大于误诊为癌症（假阳性）。代价敏感学习通过显式地引入代价矩阵，使模型训练和评估能够反映真实业务损失。代价曲线则提供了一种与阈值和先验无关的可视化工具，帮助决策者全面了解分类器在各种代价条件下的性能，而不是仅依赖单一指标（如AUC或准确率）。
⭐ 为什么重要
首先，代价敏感错误率是业务导向的评估指标，直接关联经济成本或风险。其次，代价曲线揭示了分类器在不同先验概率和代价比下的鲁棒性，帮助识别模型在极端条件下的脆弱性。第三，通过分析下包络，可以确定最优阈值和不同阈值之间的优劣关系，为决策提供理论依据。最后，代价敏感方法在类别不平衡、误分类代价不对称的领域（如欺诈检测、故障诊断）中是不可或缺的。
🌍 应用场景
医疗诊断：权衡漏诊（代价极高）与误诊（代价较低），优化筛查阈值。
金融风控：贷款审批中，错失优质客户（假阴性）与坏账损失（假阳性）的代价权衡。
网络安全：入侵检测中，漏报攻击（假阴性）与误报正常流量（假阳性）的资源分配。
工业质检：将有缺陷产品漏检（假阴性）与将良品判为次品（假阳性）的代价优化。
推荐系统：推送用户不感兴趣的内容（假阳性）与错过用户感兴趣的内容（假阴性）。
⚠️ 缺陷与局限性
1. 代价矩阵难以精确确定：真实业务中的误分类代价往往难以量化，需要领域专家估计。
2. 对先验概率敏感：代价敏感错误率依赖于 p 的准确性，若先验估计偏差较大，性能评估可能失真。
3. 代价曲线可能产生误导：当类别分布极不平衡或代价比极端时，下包络可能被少量离群点支配。
4. 无法处理多分类：传统代价曲线主要针对二分类问题，扩展到多类需要更复杂的代价矩阵和可视化方法。
5. 忽略模型校准：代价敏感评估假设模型输出的分数或概率是可靠的，若校准不佳，阈值调整可能无效。