机器学习2 - 悦读

一、模型评估方法

1.1 K折交叉验证法（K-Fold Cross Validation）

1.1.1 定义

K折交叉验证法是一种用于评估模型性能的技术。它将数据集分为K个相等的子集，模型会轮流使用一个子集作为测试集，其余K-1个子集作为训练集。这个过程会重复K次，最后取K次结果的平均作为模型的最终性能评价。

1.1.2 具体步骤

将数据集随机分成K个子集。
每次选择一个子集作为测试集，其他K-1个子集作为训练集。
对每个子集重复训练和测试K次。
取K次测试结果的平均值，作为最终模型评估结果。

1.1.3 实例

假设我们有1000个样本，使用5折交叉验证法。我们将数据分成5份：

第一次用第1组作为测试集，其他4组作为训练集；
第二次用第2组作为测试集，其他4组作为训练集；
如此重复5次，最后取5次结果的平均值作为最终性能评估。

1.1.4 优缺点

优点：能够充分利用数据集，减少评估的偏差，避免过拟合，适合样本较少的场景。
缺点：计算开销较大，尤其K值较大时。

1.2 留1法（Leave-One-Out Cross Validation）

1.2.1 定义

留1法是K折交叉验证法的极端形式。每次只留出一个样本作为测试集，其余所有样本作为训练集。这一过程对每个样本重复多次，每次用一个样本做测试集，其余样本做训练集。

1.2.2 实例

假设我们有100个样本，留1法会重复训练100次，每次使用99个样本作为训练集，1个样本作为测试集。最后将100次测试结果取平均值作为模型的最终评估结果。

1.2.3 优缺点

优点：使用了最大量的训练数据，适合小数据集，模型能够得到最精细的评估。
缺点：计算代价非常高，尤其当数据量较大时，每次只测试一个样本，效率低。

1.3 自助法（Bootstrap）

1.3.1 定义

自助法是一种通过有放回抽样的方法来生成训练集和测试集。它从原始数据集中有放回地抽取数据，形成训练集，剩余未被抽到的样本组成测试集。

1.3.2 实例

假设我们有100个样本，我们可以从中有放回地抽取100次（可能出现重复的样本），生成训练集，剩下未抽中的样本作为测试集。

1.3.3 优缺点

优点：适合样本数较小的场景，有放回抽样可以增加数据的多样性。
缺点：由于有放回抽样，有可能多个样本被多次选中，导致训练集和测试集可能存在较大的偏差。

1.4 留出法

1.4.1 数据集划分

首先将数据集随机划分为两个不相交的子集：
- 训练集（Training Set）：用于模型训练，包含大部分的数据，一般占总数据的 70% - 80%。
- 测试集（Test Set）：用于模型评估，包含剩余的数据，通常占总数据的 20% - 30%。

1.4.2 模型训练

使用训练集来训练模型，让模型学习数据的模式和特征。

1.4.3 模型评估

训练完模型后，用测试集评估模型的泛化能力，测量模型在未见过的数据上的表现。

1.4.4 优缺点

1.4.4.1 优点

简单直观：留出法的实现和理解都非常简单，只需要一次数据划分和一次模型评估。
快速：由于仅需训练一次模型，计算代价较低，适合大数据集或当模型训练开销较大时使用。

1.4.4.2 缺点

不稳定：留出法对数据划分的方式较为敏感，不同的划分方式可能导致模型性能的变化。尤其在数据量较小时，不同的训练集和测试集划分可能导致较大的评估波动。
数据利用不足：留出法只使用了一部分数据进行模型训练，而没有充分利用全部数据。这可能会导致模型在小数据集上效果较差。

1.4.5 多次留出法

为了解决留出法可能出现的不稳定问题，可以使用多次留出法。其做法是多次随机划分数据集，每次重新训练和评估模型，最后将多次评估结果取平均，作为模型的最终评估结果。

1.4.6 实例解释

假设我们有一个包含 1000 个样本的数据集，想通过留出法评估一个分类模型的表现：

我们随机将数据集划分为 训练集（800 个样本）和 测试集（200 个样本）。
使用这 800 个样本来训练模型，模型根据这些样本学习如何进行分类。
训练完成后，用剩余的 200 个样本（测试集）来评估模型的性能，计算模型在测试集上的准确率、查准率、查全率等评估指标。
模型的最终评估结果基于测试集的表现。

1.4.7 适用场景

留出法适用于以下场景：

数据量较大时：在大数据集上，划分一部分数据作为测试集通常足以有效评估模型的表现。
模型训练代价较高时：如果模型训练需要大量时间或资源，留出法可以减少计算负担。

总结来说，留出法是一种快速简单的模型评估方法，但由于它仅进行一次数据划分，可能导致评估结果不稳定。为了获得更稳定的评估结果，可以通过多次留出法来改进这一问题。

二、分类模型评估指标

2.1 混淬矩阵（Confusion Matrix）

2.1.1 定义

混淬矩阵是评估分类模型表现的重要工具，用于将分类结果划分为四类：

真正例（TP）：模型正确预测为正的样本数。
假正例（FP）：模型错误预测为正的样本数。
真负例（TN）：模型正确预测为负的样本数。
假负例（FN）：模型错误预测为负的样本数。

2.1.2 实例

假设我们在癌症诊断中，有如下结果：

真正例（TP） = 40：正确诊断出40名患者患病。
假正例（FP） = 10：10名健康人被错误诊断为患病。
真负例（TN） = 45：正确识别出45名健康患者。
假负例（FN） = 5：5名患病患者被漏诊。

2.1.3 混淬矩阵相关指标

准确率（Accuracy）：模型正确预测的比例。
[
\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}
]
查准率（Precision）：预测为正类的样本中，真正为正类的比例。
[
\text{Precision} = \frac{TP}{TP + FP}
]
查全率（Recall）：实际为正类的样本中，模型正确识别的比例。
[
\text{Recall} = \frac{TP}{TP + FN}
]
F1分数：查准率和查全率的调和平均数，综合考虑二者的平衡。
[
F1 = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}
]

2.2 查准率与查全率

2.2.1 查准率（Precision）

查准率（又称精确率）衡量的是模型预测为正类的样本中，有多少真正为正类。查准率高，表示模型的误报率低。

公式：
[
\text{Precision} = \frac{TP}{TP + FP}
]

2.2.2 查全率（Recall）

查全率（又称召回率）衡量的是实际正类的样本中，模型能识别出多少正类。查全率高，表示模型的漏报率低。

公式：
[
\text{Recall} = \frac{TP}{TP + FN}
]

2.2.3 查准率和查全率的关系

查准率和查全率的权衡：查准率和查全率通常存在冲突关系，查准率高时，查全率往往较低，反之亦然。例如：
- 查准率高：模型预测时非常谨慎，只预测非常有把握的样本为正类，但可能漏掉一些实际的正类，导致查全率下降。
- 查全率高：模型预测时比较宽松，尽可能多地预测为正类，虽然能够捕捉大多数正类，但可能会有较高的误报率，导致查准率下降。

2.2.4 实例

假设模型预测了100个样本，其中有如下结果：

真正例（TP）= 80
假正例（FP）= 20
假负例（FN）= 10

计算查准率和查全率：

查准率：( \text{Precision} = \frac{80}{80 + 20} = 0.8 )
查全率：( \text{Recall} = \frac{80}{80 + 10} = 0.89 )

2.3 F1分数

2.3.1 定义

F1分数是查准率和查全率的调和平均数，综合衡量模型在查准率和查全率之间的平衡。

2.3.2 公式

[
F1 = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}
]

2.3.3 解释

F1分数的目的是在查准率和查全率之间找到一个平衡点，尤其在数据不平衡时，它是非常有用的指标。F1 分数越高，说明模型的查准率和查全率之间的平衡越好。

2.3.4 实例

假设查准率为0.8，查全率为0.89：
[
F1 = 2 \times \frac{0.8 \times 0.89}{0.8 + 0.89} = 0.844
]
F1分数为0.844，表示查准率和查全率之间有一个较好的平衡。

2.4 Fβ分数

2.4.1 定义

Fβ分数 是 F1分数 的一种变体，用来强调查准率（Precision）和查全率（Recall）之间的不同权重。β 参数控制了查全率和查准率的相对重要性：

当 β > 1 时，更注重查全率，适合漏报代价较高的场景。
当 β < 1 时，更注重查准率，适合误报代价较高的场景。
当 β = 1 时，Fβ 分数就是标准的 F1 分数，查准率和查全率同等重要。

2.4.2 公式

[
F_\beta = (1 + \beta^2) \times \frac{\text{Precision} \times \text{Recall}}{(\beta^2 \times \text{Precision}) + \text{Recall}}
]
其中，β 用于调节查全率和查准率之间的平衡。

2.4.3 解释

β > 1：查全率的权重增加，模型更关注减少漏报（FN），适用于需要捕捉尽可能多的正类样本的场景（如医疗诊断中漏诊的代价较大）。
β < 1：查准率的权重增加，模型更关注减少误报（FP），适用于需要减少误报的场景（如垃圾邮件过滤，错误判断正常邮件为垃圾邮件的代价较高）。

2.4.4 实例

假设模型的查准率为0.75，查全率为0.85，且我们希望更关注查全率，因此选择 β = 2。计算 F2 分数：
[
F_2 = (1 + 2^2) \times \frac{0.75 \times 0.85}{(2^2 \times 0.75) + 0.85} = 5 \times \frac{0.6375}{3.0 + 0.85} = 0.851
]
F2 分数为 0.851，表示我们在这个场景下更加注重查全率。

2.5 P-R 曲线（Precision-Recall Curve）

2.5.1 定义

P-R 曲线 展示了查准率（Precision）和查全率（Recall）在不同决策阈值下的变化。它用于评估分类模型在不平衡数据集上的表现，特别是在正类样本较少的情况下。

2.5.2 具体解读

横轴：查全率（Recall），表示实际正类样本中，模型识别出来的比例。
纵轴：查准率（Precision），表示预测为正类的样本中，真正为正类的比例。
平衡点：P-R 曲线中的平衡点通常是查准率和查全率之间的最佳权衡点，可以通过F1分数或Fβ分数来评估该点。

2.5.3 实例

假设我们在一个二分类问题中调整模型的决策阈值，从而产生不同的查准率和查全率。通过不断调整阈值，我们可以绘制出模型的 P-R 曲线。模型越好，P-R 曲线越靠近右上角，说明查准率和查全率同时较高。

2.5.4 适用场景

P-R 曲线在不平衡数据集上尤其有用，例如在垃圾邮件检测、欺诈检测等场景中，正类（如垃圾邮件或欺诈）通常非常少，P-R 曲线能够更好地反映模型在正类样本上的表现。

2.6 ROC 曲线（Receiver Operating Characteristic Curve）

2.6.1 定义

ROC 曲线 展示了不同阈值下模型的**真阳性率（TPR）和假阳性率（FPR）**之间的关系。它广泛用于评估分类模型在平衡数据集上的表现。

2.6.2 具体解读

横轴：假阳性率（FPR），即负类样本中被误分类为正类的比例。
纵轴：真阳性率（TPR），即正类样本中被正确分类为正类的比例。
AUC（曲线下面积）：AUC 表示 ROC 曲线下面的面积，AUC 越大，说明模型性能越好，AUC = 1 表示完美模型，AUC = 0.5 表示模型的表现与随机猜测相同。

2.6.3 实例

假设我们训练了一个癌症诊断模型。我们通过调整阈值，得到不同的真阳性率和假阳性率，并绘制 ROC 曲线：

阈值高：模型非常谨慎，只预测高概率样本为正类，假阳性率低，但真阳性率也可能较低。
阈值低：模型较宽松，真阳性率较高，但假阳性率也会上升。

AUC 值可以帮助我们量化模型的性能。例如，AUC = 0.85 表示模型有 85% 的概率可以正确区分正类和负类样本。

2.6.4 适用场景

ROC 曲线适用于平衡数据集，当正类和负类样本数量相当时，ROC 曲线能全面展示模型在不同阈值下的表现。如果数据严重不平衡，P-R 曲线可能更适合。

三、代价敏感分类

3.1 代价敏感错误率（Cost-Sensitive Error Rate）

3.1.1 定义

代价敏感错误率 是一种加权的错误率，它不仅考虑模型的错误率，还根据不同错误类型（如假阳性和假阴性）的代价对错误率进行加权。它常用于那些错误代价不对称的场景。

3.1.2 公式

[
\text{Cost-Sensitive Error Rate} = P(\text{FP}) \times C(\text{FP}) + P(\text{FN}) \times C(\text{FN})
]

( P(\text{FP}) )：假阳性发生的概率。
( P(\text{FN}) )：假阴性发生的概率。
( C(\text{FP}) )：假阳性代价。
( C(\text{FN}) )：假阴性代价。

3.1.3 实例

在癌症诊断中，假设假阳性代价为 500 元，假阴性代价为 10000 元。模型有 10% 的假阳性率和 5% 的假阴性率。代价敏感错误率为：
[
\text{Cost-Sensitive Error Rate} = (0.10 \times 500) + (0.05 \times 10000) = 50 + 500 = 550
]
550 表示在考虑错误代价后，模型的加权错误率。

3.2 期望总体代价（Expected Total Cost, ETC）

3.2.1 定义

期望总体代价 是用于衡量模型在实际场景中的预期总成本。它结合了错误发生的概率、错误代价以及样本数量，用于评估模型在实际应用中的经济成本。

3.2.2 公式

[
ETC = P(\text{FP}) \times C(\text{FP}) \times N_{\text{neg}} + P(\text{FN}) \times C(\text{FN}) \times N_{\text{pos}}
]

( N_{\text{neg}} )：负类样本数。
( N_{\text{pos}} )：正类样本数。

3.2.3 实例

在癌症诊断中，假设我们有 900 名健康人和 100 名患者。假阳性代价为 500 元，假阴性代价为 10000 元。模型的假阳性率为 10%，假阴性率为 5%。期望总体代价为：
[
ETC = (0.10 \times 500 \times 900) + (0.05 \times 10000 \times 100) = 45000 + 50000 = 95000
]
95000 元是模型在这 1000 个测试样本上的预期总成本。

3.3 代价曲线（Cost Curve）

3.3.1 定义

代价曲线（Cost Curve） 展示了模型在不同假阳性和假阴性代价权重条件下的表现。通过调整假阳性与假阴性代价的比值，可以观察模型的错误率如何随代价权重变化。代价曲线常用于那些不同错误代价具有不对称性的应用场景。

3.3.2 具体解读

横轴：表示不同的代价权重，即假阳性和假阴性代价的比值。
纵轴：表示代价敏感错误率或模型的代价表现。随着代价权重的变化，模型的总代价表现会随之变化。

3.3.3 实例

假设在医疗场景中，假阳性代价较低（500元），假阴性代价较高（10000元）。我们可以通过调整代价权重来观察模型的表现：

当代价曲线呈现出急剧上升时，说明假阴性的代价占据了主导地位，模型需要更加注重降低假阴性。
如果代价曲线呈现平缓上升，说明模型在当前代价比下表现较为平衡。

通过观察代价曲线，决策者可以找到一个合适的代价权衡点，以减少总损失。

3.3.4 适用场景

代价曲线适用于错误代价不对称的场景，如医疗诊断、欺诈检测等，在这些领域中，错误类型的代价（误诊和漏诊、误报和漏报）往往差异很大。

四、代价敏感错误率与期望总体代价的区别

4.1 代价敏感错误率

应用场景：用于评估模型的加权错误率，主要用来比较不同模型在不同错误代价条件下的表现。它关注的是模型的错误率，并根据不同错误类型的代价进行加权。
公式：
[
\text{Cost-Sensitive Error Rate} = P(\text{FP}) \times C(\text{FP}) + P(\text{FN}) \times C(\text{FN})
]
它的重点是衡量模型的表现，而不直接计算总经济成本。

4.2 期望总体代价

应用场景：用于评估模型在实际应用中的总成本，尤其当需要衡量模型的错误会带来多大的实际经济损失时。期望总体代价考虑了样本数量，直接计算出模型在整个数据集上的预期总损失。
公式：
[
ETC = P(\text{FP}) \times C(\text{FP}) \times N_{\text{neg}} + P(\text{FN}) \times C(\text{FN}) \times N_{\text{pos}}
]
期望总体代价强调的是模型在实际使用时会带来的成本，适合实际应用中做决策。

4.3 关键区别总结

代价敏感错误率：是评估指标，关注的是模型的加权错误率，用来比较多个模型的性能表现。
期望总体代价：是成本评估，计算模型在实际应用中可能带来的总经济损失，特别适合决策中的成本分析。

五、知识体系总结

5.1 模型评估方法

K折交叉验证法：通过将数据集划分为K个子集，循环训练和测试，减少模型评估的偏差。
留1法：每次只留一个样本作为测试集，计算代价高但使用最大训练数据。
自助法：通过有放回抽样生成训练集，适合小样本数据集，增加数据多样性。

5.2 分类模型评估指标

混淆矩阵：衡量分类模型的性能，计算真正例、假正例、真负例、假负例。
查准率与查全率：分别衡量模型在正类预测中的准确性和召回率。
F1分数与Fβ分数：查准率与查全率的调和平均数，用于平衡二者，Fβ分数 可以调节查全率和查准率的相对重要性。
P-R 曲线：展示查准率和查全率在不同阈值下的变化，适合不平衡数据集。
ROC 曲线：展示真阳性率与假阳性率的关系，适合平衡数据集，AUC 用于量化模型表现。

5.3 代价敏感分类

代价敏感错误率：通过加权的错误率衡量模型在不同代价条件下的表现，用于模型的性能比较。
期望总体代价：计算模型在实际应用中的预期经济损失，用于决策时的成本分析。
代价曲线：展示模型在不同代价权重下的表现，帮助优化模型在不同代价比值条件下的权衡。

六、附录

6.1. AUC与排序质量

6.1.1 AUC 的定义和解读

AUC 是 ROC 曲线下面的面积，用来衡量分类器区分正类和负类样本的能力。AUC 值的范围是 0 到 1，AUC 值越接近 1，表示分类器的性能越好，能够更好地区分正类和负类样本。AUC = 0.5 时，表示模型的表现和随机猜测差不多；AUC < 0.5 则表示模型性能较差，甚至有可能反向预测。

6.1.2 AUC 衡量排序质量的含义

AUC 之所以与样本预测的排序质量相关，是因为它实际上衡量了正类样本的预测概率是否普遍高于负类样本。具体来说，AUC 反映了当你随机选择一个正类样本和一个负类样本时，模型将正类样本的预测得分排在负类样本前面的概率。

6.1.3 排序的含义

在分类任务中，模型对每个样本都会给出一个概率分数，这个分数可以理解为模型认为样本属于正类的置信度。如果模型正确预测，它应该对正类样本给出较高的分数，对负类样本给出较低的分数。因此，排序质量 就是指模型是否能够正确地将正类样本排在负类样本之前。

高排序质量：正类样本的预测分数普遍高于负类样本，AUC 越接近 1。
低排序质量：正类样本的预测分数与负类样本接近，甚至负类样本的分数高于正类样本，AUC 越低。

6.1.4 计算排序质量的具体方式

当计算 AUC 时，可以通过以下方式来理解模型的排序质量：

对于任意一个正类样本和负类样本组合，计算模型是否正确地给正类样本的预测分数比负类样本高。如果大多数情况下，正类样本的分数比负类样本高，则 AUC 会较高。
AUC 实际上可以看作是模型为正类样本排在负类样本之前的比例。如果这个比例接近 1，则说明模型的排序能力很好；如果这个比例接近 0.5，则说明模型的排序能力接近随机。

6.1.5 实例

假设我们有以下 6 个样本（3 个正类，3 个负类），模型给出了每个样本的预测概率：

正类样本：0.9、0.8、0.6
负类样本：0.3、0.2、0.1

我们可以计算所有正类样本与负类样本组合的排序情况：

0.9 > 0.3、0.9 > 0.2、0.9 > 0.1
0.8 > 0.3、0.8 > 0.2、0.8 > 0.1
0.6 > 0.3、0.6 > 0.2、0.6 > 0.1

在所有可能的正负样本对中，模型都将正类样本的预测分数排在负类样本之前。因此，模型的排序质量非常高，AUC 接近 1。

如果我们反过来，假设模型给出的分数是：

正类样本：0.4、0.3、0.2
负类样本：0.8、0.7、0.6

在这种情况下，所有正类样本的分数都低于负类样本，因此模型的排序质量非常差，AUC 会非常低，接近 0。

6.1.6 区别和联系

排序质量 主要关注模型对正类和负类样本的相对置信度排序，评估的是模型能否把正类样本的预测值普遍排在负类样本之前。
AUC 是用来量化这种排序质量的指标。它通过计算正类样本在负类样本前面的概率来衡量模型的整体表现，体现了模型对样本排序的合理性。