在训练ML模型时，有没有一种很好的方法来强制限制误报？
假设您从一个具有两个类的平衡数据集开始。您开发了一个用于二进制分类的ML模型。由于任务很容易，输出分布将分别在0和1处达到峰值，并在0.5左右重叠。然而，你真正关心的是，你的假阳性率是可持续的，不能超过一定的数量。所以，充其量你希望pred>0.8你只有一节课。
目前，我正在对两个类进行加权，以惩罚类上的错误"；0〃；。
history = model.fit(..., class_weight={0:5, 1:1}, ...)
正如预期的那样，它确实降低了区域pred>0.8，当然这会使第1类的召回情况恶化。
我想知道是否还有其他方法可以强制执行。
谢谢
根据您的问题，您可以考虑一类分类svm。这篇文章可能很有用：https://towardsdatascience.com/outlier-detection-with-one-class-svms-5403a1a1878c。这篇文章还展示了为什么一类分类比其他一些经典技术(如过采样/欠采样或类加权(更适合考虑。当然，这取决于你想要解决的问题。