Courbes de Coût Normalisé de Rejet de Précision (ARNCC) : Un Nouveau Cadre 3-Dimensionnel pour une Classification Robuste

L'apprentissage automatique (AA) offre plusieurs algorithmes d'apprentissage supervisé pour construire des classificateurs en vue de développer des systèmes de soutien à la décision précis. Cependant, la sélection d'un classificateur robuste pour une prise de décision fiable dans le domaine de la santé est triple : précision, évitement des décisions à faible confiance et coût des décisions. Dans le domaine de la science médicale, il existe des coûts associés aux décisions incorrectes et à l'évitement des décisions, qui peuvent avoir des implications négatives sur la mise en place d'interventions thérapeutiques adéquates. Par exemple, il peut être mortel de déclarer un patient cancéreux comme étant en bonne santé (coût de mauvaise classification) ou qu'une décision reste en attente pendant un certain temps (coût de rejet). Dans ce travail, nous proposons le concept de Courbes de Coût Normalisé de Rejet de Précision (ARNCC), qui est une extension des Courbes de Rejet de Précision (ARC) ; une technique de visualisation tridimensionnelle pour démontrer les forces et les faiblesses des algorithmes de classification sur différentes régions de rejet et coût normalisé (CN) pour sélectionner le classificateur robuste. La méthode ARNCC maintient le tracé ARC en deux dimensions, en plus, elle calcule CN dans une troisième dimension par rapport au ratio des coûts de faux positifs et au ratio des coûts de rejet obtenus à différents taux de rejet. Les graphiques tridimensionnels proposés ont le potentiel de répondre à une variété de questions concernant la précision, le taux de rejet et le CN d'un classificateur. Six ensembles de données sur le cancer disponibles publiquement (quatre cancers du sein et deux cancers du poumon) ayant des paramètres cliniques obtenus à partir du dépôt de données ML de l'Université de Californie, Irvine (UCI) ont été utilisés pour évaluer la performance des ARNCC proposés dans cette étude. Les résultats empiriques montrent que les ARNCC offrent une large gamme de décisions pour choisir les paramètres souhaités (précision, taux de rejet et CN) pour les actions nécessaires comparativement à la méthode traditionnelle ARC. Le cadre ARNCC a la capacité de comparer de manière plus logique les performances des algorithmes de classification en termes de précision, de taux de rejet et de scénarios basés sur le CN.