机器学习入门之模型性能评估与度量

性能评估

机器学习的模型有很多，我们在选择的时候就需要对各个模型进行对比，这时候就需要一个靠谱的标准，能够评估模型的性能

这里的性能不是说算的有多快，而是说预测的结果和真实情况进行比较的来的结果

误差

在我们对训练的结果进行分析之前，首先需要思考模型训练过程中是否可能有误差的产生，因为这同样会影响结果和对模型选择产生比较大的影响

误差主要会出现在数据集的三个部分，分别是训练集、测试集、新样本

1. 训练集——训练误差
2. 测试集——测试误差
3. 新样本——泛化误差

所谓的训练误差指的是训练集本身存在缺陷，从而模型提取的错误的特征信息，例如一个只认识红色苹果的模型，遇到绿色苹果时，他就不认为这是苹果了

一般情况下拿到一个数据集，会将其分成两部分，分别作为训练集和测试集，那么对于训练完成的模型，此时测试集也相当于是一个新样本

训练模型的时候，一开始训练误差和测试误差都会比较高，但是训练次数越多，训练误差会越来越小，但是测试误差可能会变大，而且模型的复杂度也会随之提升

这样的现象我们分别称之为欠拟合和过拟合

欠拟合和过拟合

欠拟合的概念很好理解，其实就是由于数据量不够大，模型的准确率不够多，也就是一开始我们学习的时候没有足够的理解一样，有时也称之为高偏差（high bias）

而过拟合则是属于过犹不及的那种感觉，就好像呆板僵化的思维，好像有些人做数学题，尽管题目非常接近，仅仅是更换了数字，但是他仍然认为这是两种完全不同的题目，这样带来的一种效果就是对于训练集（已经做过的题目）正确率很高，但是对于新样本的能力就会比较差，有时也称为高方差（high variance）

想要克服这两种现象，对于欠拟合是比较容易的，例如在决策树算法中扩展分支，在神经网络中增加训练的轮数，但是过拟合就困难的多，主要是因为模型过于复杂，我们需要的是简化模型，这种纠正策略称之为正则化（regularization）

模型选择与数据拟合

我们在模型选择时一定不能一味追求降低训练误差，因为想要有较强的数据拟合能力，就需要将模型的复杂度不断提升

也就是需要遵循一条原则，避免过拟合并且提高泛化能力

例如我们想要对一组数据想要拟合出一个多项式函数

假设有一个数据集$T=\{(x_1,y_1),(x_2,y_2),\dots ,(x_n,y_n)\}$，$x_i$为样本的观测值（特征、自变量），$y_i$是对应的输出观测值（因变量）

我们想要找到一个m次多项式函数能够拟合这些数据，目标是能够较好拟合并且预测

设这个m次多项式函数的一般形式为：$f_m(x,w)=w_0{x}^0+w_1{x}^1+w_2{x}^2+\cdots +w_m{x}^m={\sum }_{j=0}^m{w}_j{x}^j$

对于这个公式的解读：

1. 有m+1个特征值，x的次数从0到m
2. 有m+1个需要通过训练（学习）得到的权值参数，w的下标从0到m
3. 这里参数的正负，绝对值大小就分别代表了对于这个特征的态度，绝对值越大权重越大
4. 可以有意识的调整某些权值让他趋近于0，从而抛弃某些特征，称之为权重衰减（weight decay），在某种程度上可以避免过拟合

那如何训练学习这个m+1个参数呢，常用的策略之一是最小二乘法（Method of Least Squares）

通过这个方法拟合出来的函数值$f(x_i,w)$（得到的预测结果）和真实的$y_i$是由误差的，数学上称之为残差（residual）

$e_i=f(x_i,w)-y_i$

高斯证明了，在这个残差集合独立同分布的假定下，最小二乘法有一个优势，就是在所有的无偏线性估计类中方差最小，也就是当残差的平方和最小时，拟合函数的相似度最高，也就是如下函数取最小值时，拟合效果最好

$L(w)=\frac{1}{2}{\sum }_{i=1}^n(f(x_i,w)-y_i{)}^2$

性能度量

上面我们讲到的其实是性能评估的一般思路，接下来我们就需要找到一个标准，能够确切的评判性能的高低了

二分类的混淆矩阵

二值分类器（Binary Classifier）是在机器学习中应用最广泛的分类器之一，二值分类指的是正类和负类，我们为了方便陈述称之为真和假

主要分四类

• 真正类（True Positive，TP），实际为真，被模型预测为真，为了方便理解，我们说他是应该被选上且已经被选上了的
• 假正类（False Positive，FP），实际为假，被模型预测为真，应该没被选上（被忽略）但是被选上了的
• 真负类（True Negative，TN），实际为假，被模型预测为假，应该被忽略且已经被忽略了的
• 假负类（False Negative，FN），实际为真，被模型预测为假，应该被忽略但被选上了的

这四类加起来就是总样本数，然后第一类和第三类是正确预测了的，第二类和第四类是预测失误了的，分别称之为误报、第一类错误，漏报、第二类错误

这四组样本就构成了混淆矩阵（confusion matrix），确实容易混淆

由这四组样本就能产生一些比例作为判断，再通过这些比例之间的关系，我们就能找到更优的模型了

主要有以下几个，查全率，查准率，F1分数，P-R曲线，ROC曲线

我们尽量避免过于不说人话的描述，用最简单容易理解的话来讲清楚这些概念

在说这些概念之前，我们先画一个简单的示意图，可以配合起来理解

查全率

查全率（Recall，R，召回率），表示分类准确的正类样本数占全部正类样本数的比例，说人话就是在所有应该被选上的样本中，选上了的比例是多少，也就是左边那一半TP占的比例$R=\frac{TP}{TP+FN}$

查准率

查准率（Precision，P），表示被预测正确的正类样本数占分类器判定为正类样本总数的比例，说人话就是所有被选上的样本中，选对了的样本比例是多少，也就是这个圆里面左边占的部分比例$P=\frac{TP}{TP+FP}$

需要注意的是，查准率和准确率是有区别的，准确率应该是正确判断的样本除总样本得到的比例

一般来说查准率和查全率是呈负相关的，那有没有可以兼顾这样两个比率的呢，或者说有没有一个值可以用来调整他们之间的比重关系

F1分数

本质上来说F1分数是查准率和查全率的调和平均数

$\frac{1}{F1}=\frac{1}{2}(\frac{1}{P}+\frac{1}{R})$整理一下就是$F1=2\times \frac{P\times R}{P+R}$

想要有所偏向，就可以引入参数$\beta$

$\frac{1}{F_{\beta }}=\frac{1}{1+{\beta }^2}(\frac{1}{P}+\frac{{\beta }^2}{R})$整理一下就是$F_{\beta }=(1+{\beta }^2)\frac{1}{\frac{1}{P}+\frac{{\beta }^2}{R}}$

当$\beta >1$时，$\frac{{\beta }^2}{R}$项占比较大，即查全率的影响更大，反之则查准率的影响更大

P-R曲线

P-R曲线其实很简单，因为查准率和查全率大致成负相关，就可以分别将查全率和查准率作为坐标轴画出图形，那么这其中变化的是什么呢，其实就是我们设定的临界值，之后的ROC曲线也是类似，选取的标准不同，查全率和查准率的数值也会不同

当两个模型的P-R曲线都绘制出来之后，我们就可以根据曲线进行抉择了

第一种情况是一个模型的曲线完全在另一个曲线的上方，也就是查全率和查准率都高于另一个，那就直接选了

但是更通常的情况是交替出现，这时候就有一个所谓的平衡点（Break-Even Pont、BEP），就是y=x这条直线和两条曲线的交点，一般认为谁的交点在上方，谁就更优

P-R曲线的优点是非常直观，但是缺点也很明显，受样本分布的影响非常大

于之相比，ROC曲线就相对更优，也因此作为重要的指标之一

ROC曲线

于P-R曲线对应的，ROC曲线的横纵坐标也是两个比率

第一个比率是真阳性率（True Positive Rate，TPR），简单说就是应该被忽略但没有被忽略的占比，$TPR=\frac{FP}{TN+FP}$

第二个比率是假阳性率（False Positive Rate，FPR），简单说就是应该被选中并且已经被选中的占比，$FPR=\frac{TP}{TP+FN}$

把假阳性率作为横轴，真阳性率作为纵轴，就能画出ROC曲线了，并且变化的仍然是选取的标准不同

现在已经绘制出了对应的ROC曲线了，应该如何选取更优的模型呢

AUC

AUC是Area Under Curve，意思是曲线下的区域，那其实就是ROC曲线与X轴的面积

一般认为AUC在0.5到1之间，如果不在这个范围内，只需要将模型的预测概率P反转成1-P就能得到一个更好的分类器

并且AUC的值越高，我们认为这个模型就越优