待验证60% 置信事实精确时间

成本敏感学习的核心思想是直接优化期望成本，而非单纯优化准确率，通过引入不对称损失函数感知不同类型错误的差异化代价

2

来源数

60%

置信度

长期有效

时效性

2026/8/31

首次发现

来源

交易AI Agent决策阈值设计：固定阈值vs动态调整怎么选

涉及实体

成本敏感学习concept

相关事实

已验证在紧急调度场景中假阴性的代价远高于假阳性，因此系统设计时会刻意降低判定阈值，这在机器学习中被称为非对称代价敏感学习80% 相似待验证学习器从有限数据中估计损失分布必然存在偏差，导致对CVaR的估计偏离真实值，从而削弱甚至逆转风险厌恶的实际效果。74% 相似待验证约束学习领域存在保证、精度与成本之间的权衡：硬约束提供严格保证但可能牺牲精度和增加设计复杂度，软约束灵活但缺乏可靠性，投影方法引入额外计算开销71% 相似待验证监督学习本质上是函数逼近问题，通过最小化损失函数实现，常见损失函数包括回归任务的均方误差（MSE）和分类任务的交叉熵（Cross Entropy）70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/827475

API

curl https://kongchang.com/api/v1/knowledge/claims/827475

MCP

get_claim(id=827475)