ML02 -- 如何评价模型的好坏

要学习了解的概念知识：

• 数据拆分：训练数据集&测试数据集
• 评价分类结果：精准度、混淆矩阵、精准率、召回率、F1 Score、ROC曲线等
• 评价回归结果：MSE、RMSE、MAE、R Squared

1.数据拆分

训练数据集&测试数据集

我们写好了一个算法模型，但是对其准确性以及能否到正式使用还不确定，这时候就要经过大量的调试，直到模型的准确度达到满意才可以投入生产。

对于判断模型好坏，需要将数据拆分为训练数据和测试数据，使用训练数据训练模型，再用测试数据判断模型好坏，然后再不断对模型进行修改。

对于训练数据集和测试数据集的拆分，一般情况下我们按照0.8:0.2的比例进行拆分的。
但是在拆分数据的时候不能简单的按顺序取数来拆分，比如前80%的数据作为训练数据，后20%的数据作测试数据，因为有的数据集本身就是有顺序的，应该先将数据集打乱再进行拆分。

sklearn中的train_test_split可直接调用进行数据拆分，通过测试数据直接判断模型的效果，在模型进入真实环境前改进模型。

分类准确度accuracy：评价分类算法的好坏，

accuracy_score：函数计算分类准确率，返回被正确分类的样本比例（default）或者是数量，正确率越高，分类器越好。

sklearn中可以直接调用封装好的方法，accuracy_score(y_test, y_predict)

超参数

所谓超参数，就是在机器学习算法模型执行之前需要指定的参数。如kNN算法中的k的取值。（调参调的就是超参数）

如何寻找最好的K值，逻辑非常简单，就是设定一个初始化的分数，然后循环更新k值，找到最好的score
对于多个超参数，及超参数之间的相互依赖，使用sklearn中封装好的网格搜索算法，可以帮助我们进行基础调参。

2.评价分类结果

分类算法的评价如果只使用分类精准度来衡量是不全面的。

比如对于是否发生地震的预测，因为发生的概率本身就很低，所以就算模型的准确率到达了99.9%,但那0.1%带来的损失是无法承受的。对于数据分布不均衡，极度偏斜(Skewed Data)的数据，只使用分类准确度是不能衡量。

混淆矩阵

混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来。这个表就是混淆矩阵。

我们通过样本的采集，能够直接知道真实情况下，哪些数据结果是positive，哪些结果是negative。同时，我们通过用样本数据跑出分类型模型的结果，也可以知道模型认为这些数据哪些是positive，哪些是negative

*	预测值0	预测值1
真实值0	TN	FP
真实值1	FN	TP

• TN：真实值是0，预测值也是0，即我们预测是negative，预测正确了。
• FP：真实值是0，预测值是1，即我们预测是positive，但是预测错误了。
• FN：真实值是1，预测值是0，即我们预测是negative，但预测错误了。
• TP：真实值是1，预测值是1，即我们预测是positive，预测正确了。

混淆矩阵在基本的统计结果上又延伸了以下四个指标

精准率（查准率）：预测值为1，且预测对了的比例，即：我们关注的那个事件，预测的有多准。
召回率（查全率）：所有真实值为1的数据中，预测对了的个数，即：我们关注的那个事件真实的发生情况下，我们成功预测的比例是多少。

有的时候，对于一个算法而言，精准率高一些，召回率低一些；或者召回率高一些，精准率低一些。对于如何取舍就要视场景来定了。
F1 Score 是精准率和召回率的调和平均值
$F1=\frac {2*precision*recall}{precision+recall}$F1=precision+recall2∗precision∗recall​

分类阈值、TPR和FPR

分类阈值并非我们通常认为的0.5，而应该视具体情况作出调整。
在sklearn中可以调用方法decision_function，返回分类阈值

TPR：预测为1，且预测对了的数量，占真实值为1的数据百分比。即是召回率.
$TPR=recall=\frac{TP} {TP+FN}$TPR=recall=TP+FNTP​

FPR:预测为1，但预测错了的数量，占真实值不为1的数据百分比。$FPR=\frac{FP}{TN+FP}$FPR=TN+FPFP​

ROC曲线（Receiver Operation Characteristic Cureve），描述TPR和FPR之间的关系。x轴是FPR，y轴是TPR。
ROC是一条线，如果我们选择用ROC曲线评判模型的准确性，那么越靠近左上角的ROC曲线，模型的准确度越高，模型越理想；

AUC是线下面积，如果我们选择用AUC面积评判模型的准确性，那么模型的AUC面积值越大，模型的准确度越高，模型越理想；AUC的取值在0与1之间。

3.线性回归算法的衡量标准

对于简单线性回归，实际上是找到训练数据集中 $\sum _{i=1}^{m}(y^{(i)} - ax^i -b)^2$∑i=1m​(y(i)−axi−b)2最小的a，b的值。

在得到a和b之后将 $x_{test}$xtest​代入a、b中。可以使用 $\sum _{i=1}^{m}(y_{test}^{(i)} -\hat{y}_{test}^{(i)})^2$∑i=1m​(ytest(i)​−y^​test(i)​)2 来作为衡量回归算法好坏的标准。

均方误差MSE

均方根误差RMSE
$RMSE=\sqrt{MSE}$RMSE=MSE​
平均绝对误差MAE

衡量线性回归法最好的指标 R Squared

内容有点多，只是把基本的知识概念搞清楚了，后续再补代码实践

参考
https://mp.weixin.qq.com/s/BEmMdQd2y1hMu9wT8QYCPg
https://mp.weixin.qq.com/s/elI6-BX-AfKGuVjPPPE0rw
https://mp.weixin.qq.com/s/vvCM0vWH5kmRfrRWxqXT8Q
https://blog.****.net/Orange_Spotty_Cat/article/details/80520839