[算法]--模型评估

1 评估指标的局限性

知识点： 准确率（Accuracy）,精确率（Precision）,召回率（Recall）,均方根误差（RMSE）

问题：准确率的局限性 当负样本占99%时，分类器把所有样本都预测为负样本也可以获得99%的准确率。所以，当不同类别的样本比例非常不均衡时，占比大的类别往往成为影响准确率的最主要因素。为了解决这个问题，可以使用更有效的平均准确率（每个类别下的样本准确率的算术平均）作为模型评估的指标。

问题：精确率与召回率的权衡 精确率：预测为正样本的数据中，真实正样本的比例 召回率：真实正样本中，正确预测的比例

Precision值和Recall值是既矛盾又统一的两个指标，为了提高Precision值，分 类器需要尽量在“更有把握”时才把样本预测为正样本，但此时往往会因为过于保 守而漏掉很多“没有把握”的正样本，导致Recall值降低

P-R曲线

问题：平方根误差的“意外” RMSE能够很好地反应回归模型预测值与真实值的偏离程度。但在实际问题中，如果存在个别偏离程度非常大的离群点时，即使离群点数量非常少，也会让RMSE指标变得很差

解决方案：

• 离群点是“噪声点”，过滤
• 不是噪声点，进一步提高模型的预测能力，将离群点产生的机制建模进去
• 鲁棒性更好的指标：平均绝对百分比误差MAPE，相当于把每个点的误差进行归一化，降低个别离群点带来的绝对误差的影响

2 ROC曲线 问题1 什么是ROC曲线？ 横坐标FPR，纵坐标TPR。

FPR = FP/N TPR = TP/P

问题2 如何绘制ROC曲线？ ROC曲线是通过不断移动分类器的“截断点”来生成曲线上的一组关键点：FPR,TPR

截断点就是区分正负预测结果的阈值

问题3 如何计算AUC？ AUC就是ROC曲线下的面积大小，该值能够量化地反应基于ROC曲线衡量出的模型性能。

AUC越大，说明分类器越可能把真正的正样本排在前面，分类性能越好。

问题4 ROC曲线相比P-R曲线有什么特点？ 相比P-R曲线，ROC曲线有一个特点，当正负样本的分布发生变化时，ROC曲线的形状能够基本保持不变，而P-R曲线的形状一般会发生较剧烈的变化。

这个特点让ROC曲线能够尽量降低不同测试集带来的干扰，更加客观地衡量模型本身的性能。

3 余弦距离的应用

知识点：余弦相似度，余弦距离，欧氏距离，距离的定义

问题：为什么在一些场景中要使用余弦相似度而不是欧式距离？

两个向量夹角的余弦，关注的是向量之间的角度关系，并不关心它们的绝对大小，余弦相似度取值范围为【-1,1】，余弦距离取值【0,2】

当一对文本相似度的长度差距很大，但内容相近时，如果使用词频或词向量作为特征，它们在特征空间中的欧氏距离通常很大； 而如果使用余弦相似度的话，它们之间的夹角可能很小，因而相似度高。

余弦相似度在高维情况下依然保持“相同时为1，正交时为0，相反时为-1”的性质。而欧式距离的数值则受维度的影响，范围不固定。

若向量模长经过归一化，则使用余弦相似度和欧式距离有单调的关系。

欧式距离体现数值上的绝对差异，余弦距离体现方向上的相对差异。

问题：余弦距离是否是一个严格定义的距离？

该题考察对距离的定义的理解

距离的定义：在一个集合中，如果每一对元素均可唯一确定一个实数，使得三条距离公里（正定性，对称性，三角不等式）成立，则该实数可称为这对元素之间的距离。

余弦定理满足正定性（非负）和对称性，但不满足三角不等式（即在三角形中两边之和大于第三边），因此它不是严格定义的距离。

在机器学习领域，被称为距离，却不满足三条距离公里的还有KL距离，也叫做相对熵，常用于计算两个分布之间的差异，但不满足对称性和三角不等式。

4 A/B测试的陷阱

在互联网公司中，A/B测试是验证新模块、新功能、新产品是否有效，新算法、新模型的效果是否有提升，新设计是否受到用户欢迎，新更改是否影响用户体验的主要测试方法。 在机器学习领域中，A/B测试是验证模型最终效果的主要手段。

知识点：A/B测试，实验组，对照组

问题：在对模型进行过充分的离线评估之后，为什么还要进行在线A/B测试？

• 离线评估无法完全消除模型过拟合的影响，因此，得出的离线评估结果无法完全替代线上评估结果
• 离线评估无法完全还原线上的工程环境。一般来讲，离线评估往往不会考虑线上环境的延迟、数据丢失、标签数据缺失等情况。因此，离线评估的结果是理想工程环境下的结果。
• 线上系统的某些商业指标在离线评估中无法计算。离线评估一般是针对模型本身进行评估，而与模型相关的其他指标，特别是商业指标，往往无法直接获得。比如，上线了新的推荐算法，离线评估往往关注的是ROC曲线、P-R曲线等的改进，而线上评估可以全面了解该推荐算法带来的用户点击率、留存时长、PV访问量等的变化。这些都要由A/B测试来进行全面评估

问题：如何进行线上A/B测试？

进行A/B测试的主要手段是进行用户分桶，即将用户分成实验组和对照组，对实验组的用户施以新模型，对对照组的用户施以旧模型。在分桶的过程中，要注意样本的独立性和采样方式的无偏性，确保同一个用户每次只能分到同一个桶中，在分桶的过程中所选取的user_id需要是一个随机数，这样才能保证桶中的样本是无偏的。

问题：如何划分实验组和对照组？

5 模型评估的方法

知识点：Holdout检验、交叉验证、自助法（Bootstrap）、微积分

问题：在模型评估过程中，有哪些主要的验证方法，优缺点？

• Holdout检验： 最简单也是最直接的 将原始的样本集合随机划分成训练集和验证集两部分 缺点：在验证集上计算出来的最后评估指标与原始分组有很大关系。为了消除随机性，引入“交叉验证”
• 交叉验证 k-fold验证 留一验证：时间开销大
• 自助法 不管是holdout检验还是交叉校验，都是基于划分训练集和测试集的方法进行模型评估的。然而，当样本规模比较小时，将样本集进行划分会让训练集进一步减小，可能会影响模型训练效果。 自助法可以解决这个问题

自助法的验证过程：自助法是基于自主采样法的检验方法。对于总数为n的样本集合，进行n次有放回的随机抽样，得到大小为n的训练集。n次采样过程中，有的样本会被重复采样，有的样本没有被抽出过，将这些没有被抽出的样本作为验证集，进行模型验证。

问题：在自助法的采样过程中，对n个样本进行n次自主抽样，当n趋于无穷大时，最终由多少数据从未被选择？

6 超参数调优

为了进行超参数调优，一般采用网格搜索、随机搜索、贝叶斯优化等算法

超参数搜索算法包括：

• 目标函数，即算法需要最大化/最小化的目标
• 搜索范围，一般通过上限和下限来确定
• 算法的其他参数，如搜索步长

算法

• 网格搜索 最简单、应用最广泛的超参数搜索算法，通过查找搜索范围内的所有点来确定最优值。 实际应用中，网格搜索法一般会先使用较广的搜索范围和较大的步长，来寻找全局最优值可能的位置；然后会逐渐缩小搜索范围和步长，来寻找更精确的最优值。这种方案可以降低所需的时间和计算量，但由于目标函数一般是非凸的，所以很可能会错过全局最优值。
• 随机搜索 随机搜索的思想与网格搜索类似，只是不再测试上界和下界之间的所有值，而是在搜索范围中随机选取样本点。 理论依据：如果样本点集足够大，那么通过随机采样也能大概率找到全局最优值，或其近似值。随机搜索一般会比网格搜索快，但结果没法保证
• 贝叶斯优化算法 贝叶斯优化算法在寻找最优最值参数时，采用了与网格搜索、随机搜索完全不同的方法。网格搜索和随机搜索在测试一个新点时，会忽略前一个点的信息；

而贝叶斯优化算法则充分利用了之前的信息。贝叶斯优化算法通过对目标函数形状进行学习，找到使目标函数向全局最优值提升的参数。

具体：它学习目标函数形状的方法是，首先根据先验分布，假设一个搜集函数（acquisition函数）；然后，每一次使用新的采样点来测试目标函数时，利用这个信息来更新目标函数的先验分布；最后，算法测试由后验分布给出全局最值最可能出现的位置的点。

acquisition函数是一个权衡“探索（方差大）”和“利用（均值大）”的函数

对于贝叶斯优化算法，一旦找到了局部最优值，它会在该区域不断采样，所以很容易陷入局部最优值。 为了弥补这个缺陷，贝叶斯优化算法会在探索和利用之间找到一个平衡点，“探索”就是在还未取样的趋于获取采样点；而“利用”则是根据后验分布在最可能出现全局最值的趋于进行采样。

选均值最大的点“利用”，方差大的点作为“探索”。为什么？ 均值代表期望的最终结果，当然越大越好，但不能每次都挑选均值最大的，因为有的点方差很大也有可能存在全局最优解。 均值代表这个点最终的期望效果，均值越大表示模型最终指标越大，方差表示这个点的效果不确定性，越大表示这个点不确定是否可能取得最大值，非常值得探索。

7 过拟合与欠拟合

问题：在模型评估过程中，过拟合和欠拟合具体是指什么现象？

• 过拟合：指模型对于训练数据拟合呈过当的的情况，反应到评估指标上，就是模型在训练集上的表现很好，但在测试集和新数据上的表现较差。
• 欠拟合：模型在训练和测试时表现都不好

问题：说出几种降低过拟合和欠拟合风险的方法？

• 降低“过拟合”风险的方法 （1）从数据入手，获得更多的训练数据。使用更多的训练数据就是解决过拟合问题最有效的手段。因为更多的样本能够让模型学习到更多更有效的特征，减小噪声的影响。当然，直接增加实验数据一般是困难的，但是可以通过一定的规则来扩充训练数据。 （2）降低模型复杂度。在数据较少时，模型过于复杂是产生过拟合的主要因素，适当降低模型复杂度可以避免模型拟合过多的采样噪声。 （3）正则化方法。给模型的参数加上一定的正则约束，比如将权值的大小加入到损失函数中。 （4）集成学习方法。集成学习时把多个模型集成在一起，来降低单一模型的过拟合风险，如Bagging方法
• 降低“欠拟合”风险的方法 （1）添加新特征。当特征不足或者现有特征与样本标签的相关性不强时，模型容易出现欠拟合。 （2）增加模型复杂度。 （3）减小正则化系数。