怎样把混淆矩阵转换成可比较不同模型的期望误分类成本？

从计数到期望成本的公式化机制

设二分类混淆矩阵为 TP、FP、TN、FN。业务为每种结果定义成本 C_TP、C_FP、C_TN、C_FN，通常正确分类成本为 0 或负收益，错误分类为正成本。期望成本（平均损失）R = (C_TP·TP + C_FP·FP + C_TN·TN + C_FN·FN) / N，其中 N=TP+FP+TN+FN。由于 TP/TN 是正确分类，成本常设为 0，于是 R = (C_FP·FP + C_FN·FN)/N。

当类别先验改变时，例如训练数据正负比例为 1:9，但线上实际为 1:99，需要重新计算期望成本。先定义条件风险：给定真实类别为 P，错误代价为 C_FN（FN 均来自 P 类），给定 N 类错误代价为 C_FP。总体期望成本 R = π_P·C_FN·FNR + π_N·C_FP·FPR，其中 π_P 和 π_N 是目标先验，FNR=FN/(FN+TP) 是假阴性率，FPR=FP/(FP+TN)。因此只需用新先验替换旧比例，无需重新运行模型。

信贷申请：漏放与误拒成本不对称

银行用模型筛选贷款申请，正类为好客户，负类为坏客户。误拒好客户（FN）损失未来利息收入约 500 元；放给坏客户（FP）损失本金 10000 元，且 TN 和 TP 无收付。测试集 1000 样本，好客户 900、坏客户 100，模型 A 得到 FN=10、FP=5，模型 B 得到 FN=50、FP=2。仅看错误率，A 错误 15/1000≈1.5%，B 错误 52/1000≈5.2% 会选 A。

计算期望成本：模型 A 总成本 = 500×10 + 10000×5 = 5000+50000=55000 元，均损 55 元/客户；模型 B = 500×50 + 10000×2 = 25000+20000=45000 元，均损 45 元。尽管 B 错误数量更多，其漏放（成本低）多而误拒（高成本）少，实际总损失更低，所以应选 B。若线上坏客户先验上升到 20%（即 π_N=0.2，π_P=0.8），需用目标先验重新计算期望成本。基于测试集（好客户 900、坏客户 100），模型 A 的 FNR=FN/(TP+FN)=10/900≈0.0111，FPR=FP/(FP+TN)=5/100=0.05；模型 B 的 FNR=50/900≈0.0556，FPR=2/100=0.02。代入公式 R = π_P·C_FN·FNR + π_N·C_FP·FPR：A 的期望成本 ≈ 0.8×500×0.0111 + 0.2×10000×0.05 = 4.44 + 100 = 104.44 元；B 的期望成本 ≈ 0.8×500×0.0556 + 0.2×10000×0.02 = 22.24 + 40 = 62.24 元。B 仍更低，故应选 B。

成本矩阵误设与目标分布漂移的边界

期望成本法的核心假设是成本矩阵能真实兑现金钱或严重度损失。若成本是主观拍的或忽略了隐性成本，如法律风险、客户流失的长期损失，得到的最优模型可能误导。另外，当 FN 和 FP 成本极为悬殊时，模型会偏向预测低错误成本类，极端时可能全部判负，此时需引入其它约束如最少正样本数。

另一个边界是类别先验变化必须仅影响权重，不改变样本的条件分布。若线上数据分布迁移导致特征和标签关系也变，仅重加权先验不够，需重新训练或用无监督适应。期望成本公式还要求模型输出的 FNR/FPR 在给定先验下保持，否则须在新数据上重新评估模型输出。

容易答错的地方

认为准确率低模型一定更差

在成本不对称时，模型总错误多但高成本错误少可能期望成本更低。例如上例 B 错误率更高但成本低。比较模型必须用业务成本加权后的期望成本，而非简单准确率或 F1。

直接用训练集的比例调整成本

期望成本公式中的先验应该是目标场景的真实先验，而不是训练集或测试集的先验。若不校正，将测试集比例当作目标，当线上比例变化时选出的模型会偏。须用条件概率和先验重加权计算。

面试官还会怎么问？

把知识连起来