Waarom is dit belangrijk?
Dankzij een beslisgrens kunnen modellen nieuwe gevallen toewijzen aan een passende uitkomst, op basis van gemeten kenmerken van een persoon of een groep. In de zorg onderzoeken wetenschappers die grens bij het beoordelen van medische beelden, onder meer in de radiologie. Voor patiënten en zorgverleners bepaalt die grens mee welk resultaat volgt, maar een kleine verschuiving kan een geval verkeerd indelen.
Zo werkt het in de praktijk
Testers van software met een classificeerder zoeken paren van nabije invoer met een verschillende uitkomst. Het zoekalgoritme ML-BSA, beschreven op de workshop over zoekgestuurd testen in 2024, brengt die beslisgrens in kaart. Testers vergelijken de grens met hun verwachting en plannen extra tests waar het gedrag afwijkt.
Onderzoekers van Chalmers en Mid Sweden University bekijken of zo’n zoekmethode de hele beslisgrens dekt. Zij testten ML-BSA op zeven datasets. Een extra doel voor spreiding legt de paren gelijkmatiger, zodat teams gerichter valideren en het model bijstellen.
Bij modelkeuze telt ook de instabiliteit van de beslisgrens, samen met de generalisatiefout. Die fout geeft aan hoe het model nieuwe gevallen indeelt. Specialisten gebruiken beide maten om een nauwkeurige en stabiele classificeerder te kiezen.




