机器学习1：机器学习的模型评估方法

机器学习有两个非常重要的问题：

1.How well is my model doing?

如果我们已经训练好了模型，该模型效果如何，用什么方式来检为测？

2.How do we improve the model based on these metrics?

如何根据这些检测指标改善模型。

如何合理，科学，有效的评估和改善模型，是所有机器学习算法通用问题，因此单独总结以下

1.分离数据：

将数据分为训练集和测试集

注意：$\underline{永远不要让测试集进入训练环境}$；

# Import statements 
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
import pandas as pd
import numpy as np

# Import the train test split
# http://scikit-learn.org/0.16/modules/generated/sklearn.cross_validation.train_test_split.html

# USE from sklearn.model_selection import train_test_split to avoid seeing deprecation warning.
from sklearn.model_selection import train_test_split
#from sklearn.cross_validation import train_test_split

# Read in the data.
data = np.asarray(pd.read_csv('data.csv', header=None))
# Assign the features to the variable X, and the labels to the variable y. 
X = data[:,0:2]
y = data[:,2]

# Use train test split to split your data 
# Use a test size of 25% and a random state of 42
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42)
# Instantiate your decision tree model
model = DecisionTreeClassifier()

# TODO: Fit the model to the training data.
model.fit(X_train, y_train)
# TODO: Make predictions on the test data
y_pred = model.predict(X_test)

# TODO: Calculate the accuracy and assign it to the variable acc on the test data.
acc = accuracy_score(y_test, y_pred)

print(acc)

0.9583333333333334

2.混淆矩阵(evaluation matrix)

比如医疗模型，检测结果可以分为四种境况；

真阳性：就诊者患病，模型检测为阳性，认为患病需要进一步检测或治疗；

真阴性：就诊者未患病，模型检测为阴性，认为患者健康，可以直接回家；

假阳性：就诊者未患病，模型检测为阳性，认为患病需要进一步检测或治疗；
注意此情况属于误诊，进一步检测会浪费医疗资源，但是可确保病人得到医治；

假阴性：就诊者患病，模型检测为阴性，认为患者健康，可以直接回家；此情况属于误诊，并且会让患者失去治疗机会；

类型1和类型2错误

有时在一些文档中，你会看到把假阳性和假阴性称为类型1和类型2错误。这是定义：

类型1错误（第一类错误或假阳性）：在医学诊断例子中，这是我们误诊一个健康人为病人

类型2错误（第二类错误或假阴性）：在医学诊断例子中，这是我们漏诊一个病人为健康人

画成矩阵图如下：

而对于垃圾邮件分类模型：

3.分类模型评估

3.1 准确率(accuracy)

评估模型效果的第一个指标，是准确率
$$accuracy=\frac{\#正确分类数量}{\#总分类数量}$$

比如上述医疗模型：

垃圾邮件分类模型：

用sklearn库的模型可方便计算：

from sklearn.metrics import accuracy_score

accuracy_score(y_true, y_pred)

准确率不适用的情形

假设一个检测信用卡欺诈模型，有大量真实交易数据，

有284335笔正常交易，472笔欺诈交易，现在尝试设计一个准确率超过99%的模型。

假设所有交易都是正常的，其准确率：

这个模型准确率非常高，但实际上没有检测出一例欺诈交易。而模型设计主要目标就是检测出欺诈交易。

所以，不同类别的样本比例非常不均衡时，占比大的类别往往称为影响准确率的最主要因素。

对于以上误检的两种情况，假阳性和假阴性，哪种更糟糕呢：

医疗模型：

假阳性，即将健康人误诊为病人，进一步检测或治疗，会浪费医疗资源；

假阴性，将病人误诊为健康，这让病人直接回家，错过了治疗机会；

这个模型的目标是找到所有病人，可以容忍部分将健康人误诊为病人。相比，假阴性更严重。

垃圾邮件分类模型：

假阳性，将正常邮件误检为垃圾邮件，会漏过一些重要邮件；

假阴性，即垃圾邮件误检为正常邮件，这会浪费一定资源；

这个模型的目标是，删除掉垃圾邮件，但是不能容忍误删，假阴性只会浪费点时间，但假阳性可能会错过很重要邮件。

相比，假阳性更严重。

从医疗模型和垃圾邮件分类模型，可以看到不同模型，设计目标不同，对误检的容忍也不一样。

3.2 精确率和召回率

精确率定义：

$$精确率=\frac{\#真阳性}{\#所有检测阳性样本(\#真阳性+\#假阳性)}$$

按以上定义，医疗模型准确率：

垃圾邮件检测模型：

召回率定义：

$$召回率=\frac{\#真阳性}{\#所有实际阳性样本(\#真阳性+\#假阴性)}$$

按以上定义，医疗模型召回率：

垃圾邮件检测模型：

医疗模型，要尽量排除假阴性，需要更高的召回率，尽可能多的检测出所有病人。

垃圾邮件模型，更在意的是避免假阳性，即删除正常的邮件，需要更高的精确率。

3.3 F1得分

综合精确率和召回率，统一成一个指标来表述模型效率，精确率的和召回率的调和平均值

也叫F1 scroe

$F{1}_{Score}=2\cdot \frac{Precision\ast Recall}{Precision+Recall}$

调和平均值，总是处于Precision，Recall之间，偏向较小值，

3.4 F-Beta得分

F1分数是将精确率和召回率取相同权重，假如需求要偏向某一方，精确率或召回率，可以用F-Beta得分

$F_{\beta }=(1+{\beta }^2)\cdot \frac{Precision\ast Recall}{{\beta }^2\ast Precision+Recall}$

F-β 得分的界限

$\beta$越小，越偏重于精确率，反之偏向召回率，$\beta$=1, 权重相同，也就是F1 分数。

当$\beta$=0
$$F_0=(1+0^2)\cdot \frac{Precision\cdot Recall}{0\cdot Precision+Recall}=\frac{Precision\cdot Recall}{Recall}=Precision$$

如果$\beta$非常大，
$F_{\beta }=(1+{\beta }^2)\cdot \frac{Precision\ast Recall}{{\beta }^2\ast Precision+Recall}$

$$F_{\beta }=\frac{Precision\ast Recall}{\frac{{\beta }^2}{(1+{\beta }^2)}\ast Precision+\frac{Recall}{(1+{\beta }^2)}}$$

随着$\beta$变成无穷大，可以看出 $\frac{1}{1+{\beta }^2}$ 变成 0，并且 $\frac{{\beta }^2}{1+{\beta }^2}$ 变成1.

取极限，
$$li{m}_{\beta \to \infty }{F}_{\beta }=\frac{Precision\cdot Recall}{1\cdot Precision+0\cdot Recall}=Recall$$

因此，测出结论：$\beta$界限是0和∞之间。

如果$\beta =0$,得到精确率；

如果$\beta =\infty$，得出召回率；

如果$\beta =1$，则得出精确率和召回率的调和平均值。

3.5 ROC曲线

受试者工作特性曲线(receiver operating characteristic)，简称ROC曲线。

ROC曲线的横坐标为假阳性率(False Positive Rate, FPR);纵轴为真阳性率(True Positive Rate, TPR),FPR和TPR的计算方法为

$$FPR=\frac{FP}{N}$$

$$TPR=\frac{TP}{P}$$

上式中，P是真实正样本数量，N是真实负样本数量，TP是P个样本中分类器预测正样本数量，FP是N个负样本中，分类器预测为负样本个数。

如何绘制ROC曲线

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。

所谓截断点，就是设置一个阈值，每个样本预测为阳性的概率，超过这个阈值，即判为阳性，否则为阴性。

每个截断点，求相对应的FPR和TPR，以FPR为横轴，TPR为纵轴，描出所有点，连成曲线。

如何计算AUC

AUC就是ROC曲线下的面积大小，该值可以量化的反映基于ROC曲线衡量出的模型性能。计算AUC，沿着横轴求ROC曲线积分即可。

AUC越大，说明分类器可能把真正的正阳本排在前面，分类性能越好。

AUC一般在0.5～1之间，如果小于0.5,只要把模型预测的概率反转成1-p就可以得到一个更好的分类器。

ROC曲线相比P-R曲线有什么特点

P-R曲线，是以召回率为横轴，精确率为纵轴的曲线。

当正负样本比例出现较大改变时，P-R曲线变化较大，而ROC曲线形状基本不变。

t201.png（图片在手机，后面补上）

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。

绘制roc代码实现

def build_roc_auc(model, X_train, X_test, y_train, y_test):
    '''
    INPUT:
    model - an sklearn instantiated model
    X_train - the training data
    y_train - the training response values (must be categorical)
    X_test - the test data
    y_test - the test response values (must be categorical)
    OUTPUT:
    auc - returns auc as a float
    prints the roc curve
    '''
    import numpy as np
    import matplotlib.pyplot as plt
    from itertools import cycle
    from sklearn.metrics import roc_curve, auc, roc_auc_score
    from scipy import interp
    
    y_preds = model.fit(X_train, y_train).predict_proba(X_test)
    # Compute ROC curve and ROC area for each class
    fpr = dict()
    tpr = dict()
    roc_auc = dict()
    for i in range(len(y_test)):
        fpr[i], tpr[i], _ = roc_curve(y_test, y_preds[:, 1])
        roc_auc[i] = auc(fpr[i], tpr[i])

    # Compute micro-average ROC curve and ROC area
    fpr["micro"], tpr["micro"], _ = roc_curve(y_test.ravel(), y_preds[:, 1].ravel())
    roc_auc["micro"] = auc(fpr["micro"], tpr["micro"])
    
    plt.plot(fpr[2], tpr[2], color='darkorange',
             lw=2, label='ROC curve (area = %0.2f)' % roc_auc[2])
    plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
    plt.xlim([0.0, 1.0])
    plt.ylim([0.0, 1.05])
    plt.xlabel('False Positive Rate')
    plt.ylabel('True Positive Rate')
    plt.title('Receiver operating characteristic example')
    plt.show()
    
    return roc_auc_score(y_test, np.round(y_preds[:, 1]))
    
    
# Finding roc and auc for the random forest model    
build_roc_auc(rf_mod, training_data, testing_data, y_train, y_test) 

4 回归模型评估

4.1平均绝对误差

就是将样本点到直线的距离绝对值的和;

平均绝对误差有个问题，绝对值函数是不可微分的，这不利于使用如梯度下降等方法。

为解决这个问题，一般用均方误差。

4.2均方误差

在sklearn也很容易实现

4.3 R2分数

通过将模型与最简单的可能模型相比得出

在sklearn的实现：

5 小结

训练和测试数据

首先， 每次都要把你的数据划分为训练集和测试集，这很重要。先把模型在训练集数据上拟合好，然后你就可以用测试集数据来评估模型性能。

评估分类

如果你正在训练模型来预测分类（是否是垃圾邮件），比起预测具体数值（例如房价），有很多不同的评估方法来评估你的模型的性能。

当我们看分类指标时，这个主题的维基百科页面非常精彩，但也有点难度。我经常用它来记忆各个指标做什么。

具体来说，你看到了如何计算：

准确度

准确度通常用来比较模型，因为它告诉我们正确分类的比例。

通常准确度不应是你要优化的唯一指标。尤其是当你的数据存在类别不平衡情况时，只优化准确度可能会误导你对模型真实性能的评估。考虑到这一点，我们介绍了一些其他指标。

精度

精度主要关注的是数据集中预测 为“阳性”的数据。通过基于精度的优化，你将能确定与误报假阳性相比，你是否在预测正例的工作上做的很好（减少误报假阳性）。

召回率

召回率主要关注数据集中的实际 “阳性”的数据。通过基于召回率的优化，你将能确定你是否在预测正例的工作上做的很好（减少漏报假阴性），而不必太考虑误报假阳性。如果你想在实际 ‘负例’上执行类似召回率的计算，这叫做特异性（specificity）。

F-Beta 分数

为同时考察两个指标（精度和召回率）的组合，有一些常用技术，如 F-Beta 分数（其中经常使用 F1 分数），以及 ROC 和 AUC。你可以看到 \betaβ 参数控制了精度在 F 分数中的权重，它允许同时考虑精度和召回率。最常见的 beta 值是1， 因为这是精度和召回率的调和平均

ROC 曲线 和 AUC

通过为我们的分类指标设置不同的阈值，我们可以测量曲线下的面积（曲线称为 ROC 曲线）。与上面的其他指标类似，当 AUC 比较高（接近1）时，这表明我们的模型比指标接近 0 时要好。

你可能最终会选择基于这些指标中的任何一项进行优化。在实践，我通常中使用 AUC 或 F1 分数。然而，要根据你的具体情况来选择评估方法。

评估回归

你想评估你的模型在预测数值时的性能吗？这种情况下，有三个常用的主要指标：平均绝对误差，均方误差，和 r2 值。

一个重要的注意事项：与优化均方误差相比，优化平均绝对误差可能会导致不同的“最优模型”。然而，与优化 R2 值相同，优化均方误差将总是导致相同的“最优”模型。

同样，如果你选择具有最佳 R2 分数（最高）的模型，它也将是具有最低均方误差（MSE）的模型。具体选择哪个，要根据你觉的在给别人解释时，哪个最方便。

平均绝对误差 (MAE)

你看到的第一个指标是平均绝对误差。当你要预测的数据遵循偏斜分布时，这是一个很有用的指标。在这些情况下，对绝对值做优化特别有用，因为与使用均方误差一样，异常值不会对试图优化这个指标的模型有影响。这个技术的最佳值是中位值。当优化均方误差的 R2 分数时，最佳值实际上是平均数。

均方误差 (MSE)

均方误差是回归问题中最常用的优化指标。与 MAE 类似，你希望找到一个最小化此值的模型。这个指标可能会受到偏斜分布和异常值的极大影响。当一个模型考虑用 MAE 而不是 MSE 做优化时，记住这一点很有用。在很多情况下，在 MSE 上进行优化更容易，因为二次项可微。而绝对值是不可微的。这一因素使得该指标 (MSE) 更适合用于基于梯度的优化算法。

R2 分数

最后，在查看回归值时，R2 分数是另一个常用指标。优化一个模型，最小化 MSE 也将导致最高的 R2 分数。这是这个指标的一个方便特性。R2 分数通常被解释为模型捕获的“变化量”。因此，你可以把 MSE 看作是所有点的平均值，而把 R2 分数看作是用模型捕获的所有点的变化量。

当模型很好时，R2分数接近1；
当模型很差时，R2分数接近0；

from sklearn.metrics import r2_score
y_true = [ 1, 2, 4]
y_pred = [ 1.3, 2.5, 3.7]
r2_score(y_true, y_pred)

看待机器学习问题，类似与解决机器故障，需要一系列检修工具，也需要一系列评估工具，经过评估选择最适合的工具，修好故障车；

对应到机器学习问题，检修工具是各类算法比如逻辑回归，决策树，神经网络，随机森林等，

评估工具对应模型复杂度、准确率、精确率、召回率、F1分数、学习曲线等。

我们要做的是，用这些指标来测试自己设计的模型，根据表现，选择最优的模型来拟合数据；