机器学习何时超越价值排序？基于三个数据集的风险暴露加权发货优先级诊断

arXiv:2607.18573v1 公告类型：新 摘要：延迟风险模型通常以预测准确性来衡量。但在实践中，更关键的问题是：由于只有能力审查少数几批货物，经理应该优先检查哪些？我们评估了机器学习是否能够超越一个苛刻的无模型基线：首先检查价值最高的货物。在三个真实的供应链背景下：SCMS采购、DataCo物流和Olist电子商务，我们采用了泄漏控制的滚动起点评估和1000样本配对自助法置信区间。按预测的延迟严重程度乘以已知价值进行排序（M1）在所有三个数据集中都优于仅按严重程度排序，但通常并未超越价值排序。在10%的审查预算下，M1减去VALUE_ONLY的差异：SCMS为-5.5个百分点，DataCo为+10.1个百分点，Olist为-4.9个百分点。这种差异与严重程度的可学习性一致：DataCo的R²=0.27，校准偏差为+0.01天，而SCMS和Olist的R²约为-0.02，校准偏差为负。嵌套交叉验证的成本敏感重新训练并未带来比M1稳定的改进。本文并非提出新的学习算法，而是提出了一个部署诊断和评估协议。价值排序应作为一个永久基准，只有在检验了严重程度的可学习性和校准性，并且模型在泄漏控制的滚动起点评估下通过该门槛后，才能部署机器学习。

# 机器学习何时优于价值排序？基于三个数据集的暴露加权运输优先级诊断
来源：https://arxiv.org/abs/2607.18573
文献工具

## 文献与引用工具

文献浏览器 切换

代码、数据与媒体

## 本文相关的代码、数据与媒体

演示

## 演示

相关论文

## 推荐与搜索工具

关于 arXivLabs

## arXivLabs：与社区贡献者共同进行的实验性项目

arXivLabs 是一个框架，允许贡献者直接在我们的网站上开发和共享新的 arXiv 功能。

与 arXivLabs 合作的个人和组织都已接受并认同我们的开放、社区、卓越和用户数据隐私价值观。arXiv 致力于这些价值观，仅与遵守这些价值观的合作伙伴合作。

有一个能为 arXiv 社区增添价值的项目想法吗？**了解更多关于 arXivLabs** (https://info.arxiv.org/labs/index.html)。