回顾前面介绍的一些性能度量可看出，它们大都隐式地假设了均等代价，例如式(2.4)所定义的错误率是直接计算“错误次数”，并没有考虑不同错误会造成不同的后果．在非均等代价下，我们所希望的不再是简单地最小化错误次数，而是希望最小化，总体代价”(total cost).若将表2.2中的第0类作为正类、第1类作为反类，令D+与D-分别代表样例集D的正例子集和反例子集，则“代价敏感”(cost-sensitive)错误率为  类似的，可给出基于分布定义的代价敏感错误率，以及其他一些性能度量如精度的代价敏感版本．若令costij中的t、J取值不限于0、1，则可定义出多分类任务的代价敏感性能度量，在非均等代价下，ROC曲线不能直接反映出学习器的期望总体代价，而“代价曲线”(cost curve)则可达到该目的，代价曲线图的横轴是取值为[0，1]的正例概率代价，其中FPR是式f2.19）定义的假正例率，FNR=1- TPR是假反例率．代价曲线的绘制很简单：ROC曲线上每一点对应了代价平面上的一条线段，设ROC曲线上点的坐标为(FPR，TPR)，则可相应计算出FNR,然后在代价平面上绘制一条从(0，FPR)到(1，FNR)的线段，线段下的面积即表示了该条件下的期望总体代价；

想了解更多IT资讯，请访问中培伟业官网：中培伟业