分享

快速理解机器学习中常用评估指标

问题导读:
1、回归和分类常用的评估方法有哪些?
2、如何理解查准率、查全率、F1?
3、如何理解ROC、AUC?
4、什么是代价敏感?




评估指标 Evaluation metrics 可以说明模型的性能,辨别模型的结果。

我们建立一个模型后,计算指标,从指标获取反馈,再继续改进模型,直到达到理想的准确度。在预测之前检查模型的准确度至关重要,而不应该建立一个模型后,就直接将模型应用到看不见的数据上。

今天先来简单介绍几种回归和分类常用的评估方法。

回归:
均方误差:

2017-09-05_103420.jpg
其中 D 为数据分布,p 为概率密度函数。
[mw_shl_code=python,true]from sklearn.metrics import mean_squared_error
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
mean_squared_error(y_true, y_pred)

0.375[/mw_shl_code]
分类:
二分类 and 多分类:

2017-09-05_103530.jpg
二分类
混淆矩阵:

2017-09-05_103601.jpg
[mw_shl_code=python,true]from sklearn.metrics import confusion_matrix
pipe_svc.fit(X_train, y_train)
y_pred = pipe_svc.predict(X_test)
confmat = confusion_matrix(y_true=y_test, y_pred=y_pred)
print(confmat)

[[71 1]
[ 2 40]][/mw_shl_code]
单纯用 错误率,精度 是无法知道下面的问题时:

查准率:
应用场景-当你想知道“挑出的西瓜中有多少比例是好瓜”
2017-09-05_103753.jpg
[mw_shl_code=python,true]from sklearn.metrics import precision_score
from sklearn.metrics import recall_score, f1_score
print('Precision: %.3f' % precision_score(y_true=y_test, y_pred=y_pred))
Precision: 0.976
[/mw_shl_code]
查全率:
应用场景-当你想知道“所有好瓜盅有多少比例被挑出来了”
2017-09-05_103905.jpg
[mw_shl_code=python,true]print('Recall: %.3f' % recall_score(y_true=y_test, y_pred=y_pred))

Recall: 0.952[/mw_shl_code]
P-R 图:
当一个学习器的 P-R 曲线被另一个学习器的包住,那么后者性能优于前者。
有交叉时,需要在具体的查准率或者查全率下进行比较。
2017-09-05_103949.jpg
平衡点 (Break Event Point BEP):
即上图中三个红点。
综合考虑查准率,查全率的度量
当 查准率=查全率 时的点,谁大谁比较优。

F1 度量:
也是综合考虑查准率,查全率的度量,比 BEP 更常用:
2017-09-05_104014.jpg
Fβ:
可以表达对查准率,查全率的不同重视度,
β > 1 则查全率有更大影响,β < 1 则查准率有更大影响,β = 1 则为 F1。
2017-09-05_104058.jpg
One vs. All (OvA) 分类问题

这时会在 n 个二分类问题上综合考虑查准率,查全率。

宏~ :先在每个混淆矩阵上计算率,再求平均
2017-09-05_104151.jpg
微~ :先将各个混淆矩阵上对应元素求平均,再计算率
2017-09-05_104216.jpg
ROC :
反映敏感性和特异性连续变量的综合指标,roc曲线上每个点反映着对同一信号刺激的感受性。

纵轴为 TPR 真正例率,预测为正且实际为正的样本占所有正例样本的比例
横轴为 FPR 假正例率。预测为正但实际为负的样本占所有负例样本的比例
2017-09-05_104249.jpg
对角线对应的是 “随机猜想”
2017-09-05_104322.jpg
当一个学习器的 ROC 曲线被另一个学习器的包住,那么后者性能优于前者。
有交叉时,需要用 AUC 进行比较。

AUC:
ROC 曲线下的面积
2017-09-05_104351.jpg
[mw_shl_code=python,true]import numpy as np
from sklearn.metrics import roc_auc_score
y_true = np.array([0, 0, 1, 1])
y_scores = np.array([0.1, 0.4, 0.35, 0.8])
roc_auc_score(y_true, y_scores)

0.75
[/mw_shl_code]
代价敏感

现实任务中,当不同类型的错误具有不同的影响后果时,它们的代价也是不一样的。

此时,可以设定
代价矩阵 cost matrix:
如果将第 0 类预测为 第 1 类造成的损失更大,则 cost01 > cost10,相反将第 1 类预测为 第 0 类造成的损失更大,则 cost01 < cost10 :
2017-09-05_104510.jpg
则带有“代价敏感”的错误率为:
2017-09-05_104539.jpg
其中 0 为正类,1 为反类,D+ 为正例子集合,D- 为反例子集合。

代价曲线 cost curve:
非均等代价下,反应学习器的期望总体代价。
横轴为取值为[0,1]的正例概率代价:
2017-09-05_104610.jpg
纵轴为取值为[0,1]的归一化代价:
2017-09-05_104715.jpg
其中 p 为正例的概率,FPR = 1 - TPR。
2017-09-05_104745.jpg
资料:
机器学习
Python Machine Learning

来源:http://www.jianshu.com/p/86abc0b4eb4c
作者:不会停的蜗牛


已有(1)人评论

跳转到指定楼层
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

推荐上一条 /2 下一条