Sklearn中的算法效果评估手段

我们曾在《算法效果评估：均方根误差（RMSE）/ 标准误差》一文中介绍过评估算法效果使用的主要方法：均方根误差（RMSE），但在实际应用中，评估算法效果还有更多内容，本文我们以《Hands-On ML》一书第二章中介绍的房价预测案例，细致地介绍一下Sklearn中的度量一个算法表现/效果好坏的手段。

在模型选择阶段，我们通常会尝试不同的算法，然后评估它们的表现，并选择最好的一种算法。这个过程大致可以分为如下几步：

• 第一步：选择一个算法，使用准备好的训练数据进行训练（拟合），得到经过训练的模型（可简单理解为一个函数）；
• 第二步：使用模型对数据进行预测，得到预测结果；
• 第三步：将预测结果和准备好的标注数据（labels）进行比对，比对的方法就是计算预测数据和标注数据之间的：均方根误差（RMSE），根据均方根误差的大小来度量算法优劣

然后，使用另一个算法重复上述操作，直至选出最优算法。其中，在第三步的度量过程中，人们首先会想到的做法是：直接拿训练数据做一次预测，看一下均方根误差，因为训练数据是现成的，顺手就可以完成。但是，当我们实际去这样做的时候，很快就会发现这一做法存在“巨大缺陷”，因为很多模型在预测自己的训练数据集时通常都表现得非常好，一旦应用于新数据的预测上，效果就会大幅下滑，这就是所谓的“过拟合”，如果在算法验证阶段不换用一些新数据做一下对比测试，你就无法检测出模型的过拟合问题，换句话说就是：总是使用训练数据进行预测永远无法全面可信地度量算法效果。

这个时候，你可能会想到：我们在数据预处理时不是有切分过训练数据集和测试数据集吗，这时候可以拿来用了呀？确实如此，但是在当下这个阶段（模型选择阶段），还不需要搬出测试数据集，并且，从测试的角度看，也不应该让测试数据参与到模型的训练和评估过程中，这是可确保最终的测试结果可信，可靠！同时，仅仅依靠训练数据集，我们一样有办法来规避这个问题，同时还能更全面有效的进行评估，这套方法的基本思路是：

将训练数据集切分成n等份，以10份为例，保留1份（10%）作为测试数据，使用另外9份（合在一起，90%）数据训练模型，训练完成后用那1份预留数据进行测试，得到一个评估结果（RMSE），作为模型本轮的得分；然后进行第二轮操作：再次保留1份（10%）测试数据（是此前没被当作测试数据的数据，也就是第一轮9份训练数据中的一份），使用其余9份数据训练模型，训练完成后用这1份预留数据进行测试，得到第二轮的评估结果（RMSE），如此反复，总共可以执行10次验证，进而会得到10个成绩（RMSE）。我们可以观察这10次测试成绩的均值和标准差，它们能更好的反应算法的效果。（注意：上述切分方方案仅限于模型选择阶段对算法效果的评估上，在模型正式的训练环节，一定是使用全部的训练数据集，已便获得最好的训练效果。）

以上给出的设计思路就是Sklearn中名为“K-fold”的模型效果交差验证功能（一个函数），K-fold就是n等份的意思，用我们的例子说就是“10等份”交叉验证。以下是《Hands-On ML》一书第二章使用K-fold交差验证法评估决策树在预测房价上的性能表现：

from sklearn.model_selection import cross_val_score
tree_rmses = -cross_val_score(tree_reg, housing, housing_labels,
                              scoring="neg_root_mean_squared_error", cv=10)

其中，cv指定了切分的份数，也就决定了验证的轮数，进而决定了结果数组tree_rmses的元素数量。scoring是指定打分标准，这里选择的是“负的均方根误差”（neg指的是negtive)，为什么是负的呢？因为没有正的！这里有一个Sklearn的知识点：在scoring的可选值列表中，只有neg_root_mean_squared_error，没有root_mean_squared_error，原因是：Sklearn的cross-validation期望所有的评估保持一致的风格和习惯，即：数值越大表示效果越好（greater is better，在对于按得分排序非常友好），正是出于这种约定，Sklearn只提供“负的均方根误差”，因为均方根误差都是正值，且其值越小表示算法效果越好，为了适配上述规则（也便于按分数排序），所以故意取了均方根误差的负值。实际上，Sklearn中所有值越小表示效果越好的度量值都附加了求负运算，并在名称前追加了neg前缀以示区分：

如果是输出给人看，只要简单地在负值上再做一次求负操作，负负得正，就拿到标准的均方根误差了，就像上面示例代码中那样。