西瓜书学习笔记---第二章 模型评估与选择

目录

一、题目要求

 二、数据集介绍

三、十折交叉验证

3.1 支持向量机模型

3.2 决策树模型 

四、模型评估

4.1 混淆矩阵

4.2 查准率P

4.3 查全率

4.4 F1-Score

4.5 P-R曲线

4.6 ROC曲线

4.7 AUC值

五、交叉验证T检验

六、运行结果

 七、附件

---

一、题目要求

1. 选取某UCI分类数据集，划分数据集，用10折交叉验证，选用两个现成的分类算法（或者一个算法、参数不同），得到分类模型A和B，给出交叉验证预测结果。
2. 对两模型的交叉验证预测结果，分别给出混淆矩阵、P、R和F1值，作出P-R曲线、ROC曲线，并求AUC。
3. 应用paired t-test假设检验，比较两个模型性能的优劣。

 二、数据集介绍

        选用的数据集为UCI分类数据集中的糖尿病“Diabetes”数据集https://archive.ics.uci.edu/ml/machine-learning-databases/00296/        数据集共包含768条信息，每条信息对应一位可能患有糖尿病的患者的8个属性，并给出了该患者是否患有糖尿病的结果，“1”表示该患者确实患有糖尿病，“0”表该患者不患有糖尿病。“Diabetes”数据集的具体内容如下图所示。

三、十折交叉验证

3.1 支持向量机模型

        给定训练样本集，分类学习的最基本得想法就是基于训练集D在样本空间中找到一个划分超平面，将不同类别的样本分开。在样本空间中，划分超平面可以通过如下线性方程来描述：

        假设能将训练样本正确分类，则有：

        利用距离超平面最近的几个训练样本点，使得上述不等式的等号成立，则它们被称为“支持向量”。在本实验中，我们调用了sklearn中的函数来实现支持向量机 ：

1.	clt = svm.SVC(C=1.5, kernel='rbf', probability=True)    # SVM拟合训练数据

3.2 决策树模型 

        决策树(decision tree)是一类常见的机器学习方法。以二分类任务为例，我们希望从给定训练数据集学得一个模型用以对新示例进行分类，这个把样本分类的任务，可看作对“当前样本属于正类吗？”这个问题的“决策”或“判定”过程。顾名思义，决策树是基于树结构来进行决策的，这恰是人类在面临决策问题时一种很自然的处理机制。显然，决策过程的最终结论对应了我们所希望的判定结果，决策过程中提出的每个判定问题都是对某个属性的“测试”，而每个测试的结果或是导出最终结论，或是导出进一步的判定问题，并且其考虑范围是在上次决策结果的限定范围之内。

        在本实验中，我们调用了sklearn中的函数来实现决策树。

1.	clt = tree.DecisionTreeClassifier()  

四、模型评估

        分类算法如果用分类准确度来衡量好坏将会存在问题。在存在极度偏斜的数据中，应用分类准确度来评价分类算法的好坏是远远不够的。

4.1 混淆矩阵

        对于二分类模型而言，其分类结果主要有以下四种：        

        ·TP：True Positive，表示实际为正例，被预测为正例，预测正确

       ·FP：False Positive，表示实际为负例，被预测为正例，预测错误

       ·FN：False Negative，表示实际为正例，被预测为负例，预测错误

       ·TN：True Negative，表示实际为负例，被预测为负例，预测正确

        根据上述四种分类结果，可以得到模型的混淆矩阵如下表所示：

混淆矩阵		真实值
		结果为正（P）	结果为负（N）
预测值	预测为正（P）	TP	FP
	预测为负（N）	FN	TN

4.2 查准率P

        在真实值为正的样本中，预测正确的样本占比，其计算公式表示为：

4.3 查全率

        在预测值为正的样本中，预测为正的样本占比，其计算公式表示为：

4.4 F1-Score

        F1分数（F1 Score），是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。F1分数可以看作是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0，其公式为：

4.5 P-R曲线

        获取分类器对每个测试样例属于某个类别的概率预测值，根据分类器的预测结果从大到小对样例进行排序，逐个把样例加入正例进行预测，算出此时的P、R值，得到查准率-查全率（P-R）曲线。

        在本次实验中，为了更好的理解P-R曲线，我们并没有调用scikit-learn包中的precision_recall_curve()函数直接生成曲线，而是依据P-R曲线的绘制原理，自己实现了相关函数的功能。

def PR_curve(y, pred):  
 pos = np.sum(y == 1)  # 样例中正例的个数  
 neg = np.sum(y == 0)  # 样例中负例的个数  
 pred_sort = np.sort(pred)[::-1]  # 从大到小排序  
 index = np.argsort(pred)[::-1]  # 从大到小排序  
 y_sort = y[index]   # 排好序的样例  
  
 Pre = []    # 用于记录一系列precision值  
 Rec = []    # 用于记录一系列recall值  
 for i, item in enumerate(pred_sort):  
     if i == 0:  # 因为计算precision的时候分母要用到i，当i为0时会出错，所以单独列出  
         Pre.append(1)  
         Rec.append(0)  
  
     else:  
         Pre.append(np.sum((y_sort[:i] == 1)) / i)  # 从大到小阈值排列，所以全部都预测为正例  
         Rec.append(np.sum((y_sort[:i] == 1)) / pos) # TP/实际正例的个数 

        首先使用np.sum函数统计了被测样本中正例和负例的数量，接着对被测样本按照其正例预测概率由大到小排序，按照已排好的顺序对样本逐个添加并计算precision值和recall值。，因为按照概率由大到小的顺序进行添加样本并设定阈值，所以每一个样本都是以正例预测被添加的，因此可以得到已添加的样本数i；，真实的正例数量。计算得到precision和recall数组之后，使用matplotlib进行作图。

4.6 ROC曲线

        获取分类器对每个测试样例属于某个类别的概率预测值，根据分类器的预测结果从大到小对样例进行排序，设阈值为Inf，全判为反例，得到（0,0），逐个把样例加入正例进行预测，算出此时的TPR、FPR值，得到ROC曲线。

        在本次实验中，为了更好的理解ROC曲线，我们并没有调用scikit-learn包中的roc_curve()函数直接生成曲线，而是依据P-R曲线的绘制原理，自己实现了相关函数的功能。

def ROC_curve(y, pred):  
 pos = np.sum(y == 1)  # 样例中正例的个数  
 neg = np.sum(y == 0)  # 样例中负例的个数  
 pred_sort = np.sort(pred)[::-1]  # 从大到小排序  
 index = np.argsort(pred)[::-1]  # 从大到小排序  
 y_sort = y[index]  # 排好序的样例  
  
 tpr = []  
 fpr = []  
 thr = []  
 for i, item in enumerate(pred_sort):  
     tpr.append(np.sum((y_sort[:i] == 1)) / pos)  
     fpr.append(np.sum((y_sort[:i] == 0)) / neg)  
     thr.append(item)  
  
 auc_value = get_auroc(fpr, tpr)  # 计算AUC值  

         对于ROC曲线首先使用np.sum函数统计了被测样本中正例和负例的数量，接着对被测样本按照其正例预测概率由大到小排序，按照已排好的顺序对样本逐个添加并计算TPR值和FPR值，，，计算得到TPR和FPR数组之后，使用matplotlib库进行画图。

4.7 AUC值

        ROC （Receiver Operating Characteristic）曲线下面的面积越大，模型就越好。这个曲线下面积就称为AUC（Area Under the Curve）。假设ROC曲线由的点按序连接而形成，则AUC可估算为：

# 计算AUROC值  
 get_auroc(fpr, tpr):  
 auc_value = 0.0  
 for ix in range(len(fpr[:-1])):  
     x_right, x_left = fpr[ix], fpr[ix + 1]  
     y_top, y_bottom = tpr[ix], tpr[ix + 1]  
     temp_area = abs(x_right - x_left) * (y_top + y_bottom) * 0.5  
     auc_value += temp_area  
 return auc_value  

五、交叉验证T检验

        我们利用交叉验证T检验来对不同学习器的性能进行比较，对两个学习器A和B，若k折交叉验证得到的测试错误率分别为和，可用k折交叉验证“成对t检验”进行比较检验。若两个学习器的性能相同，则他们使用相同的训练/测试集得到的测试错误率应相同，即。

       先对每对结果求差，，若两个学习器性能相同，则差值应该为0，继而用来对“学习器A与B性能相同”这个假设做t检验。

       在本实验中，我们对于同一组十折交叉验证训练数据集在“SVM模型”和“决策树模型”上的错误率进行交叉验证T检验。主要使用sklearn中的函数实现。

wrong_tree = [1 - x for x in acc_tree]  
wrong_svm = [1 - x for x in acc_svm]  
m = scipy.stats.ttest_ind(wrong_tree, wrong_svm, equal_var=False) 

六、运行结果

6.1 选取某UCI分类数据集，划分数据集，用10折交叉验证，选用两个现成的分类算法（或者一个算法、参数不同），得到分类模型A和B，给出交叉验证预测结果。

（1）支持向量机SVM的十折交叉验证预测结果

SVM十折交叉验证预测结果

（2）决策树的十折交叉验证预测结果

决策树十折交叉验证预测结果

6.2 对两模型的交叉验证预测结果，分别给出混淆矩阵、P、R和F1值，作出P-R曲线、ROC曲线，并求AUC。

（1）支持向量机SVM的模型评估

       模型评估代码结果输出为：

        根据输出结果可以得到SVM模型的混淆矩阵、P、R和F1值，作出P-R曲线、ROC曲线及其AUC如下所示：

SVM模型的混淆矩阵

混淆矩阵		真实值
		结果为正（P）	结果为负（N）
预测值	预测为正（P）	TP=451	FP=49
	预测为负（N）	FN=135	TN=133

SVM模型的评估参数

P值	R值	F1
0.770	0.902	0.831

SVM模型的P-R曲线

SVM模型的ROC曲线

（2）决策树的模型评估

        模型评估代码结果输出为：

        根据输出结果可以得到决策树模型的混淆矩阵、P、R和F1值，作出P-R曲线、ROC曲线及其AUC如下所示：

决策树模型的混淆矩阵

混淆矩阵		真实值
		结果为正（P）	结果为负（N）
预测值	预测为正（P）	TP=400	FP=100
	预测为负（N）	FN=112	TN=156

决策树模型的评估参数

P值	R值	F1
0.781	0.8	0.791

决策树模型的P-R曲线

决策树模型的ROC曲线

6.3 应用paired t-test假设检验，比较两个模型性能的优劣。

应用paired t-test假设检验，比较两个模型性能的优劣。

Paired t-test假设检验输出结果如下：

SVM模型和决策树模型的paired t-test假设检验

        原假设H0两个机器学习的泛化性能相同，得出p值=0.0058，非常小，因此原假设不成立，两个模型的泛化性能不同。 

 七、附件

（1）1_svm.py：利用“支持向量机SVM”模型对数据集进行十折交叉验证的预测结果；

（2）1_tree.py：利用“决策树”模型对数据集进行十折交叉验证的预测结果；

（3）2_svm.py：对“支持向量机SVM”模型的交叉验证预测结果，分别给出混淆矩阵、P、R和F1值，绘制P-R曲线、ROC曲线，并求AUC；

（4）2_tree.py：对“决策树”模型的交叉验证预测结果，分别给出混淆矩阵、P、R和F1值，绘制P-R曲线、ROC曲线，并求AUC；

（5）3_svm+tree.py：应用paired t-test假设检验，比较“支持向量机SVM”模型和“决策树”模型性能的优劣。