《分类器的评估》由会员分享，可在线阅读，更多相关《分类器的评估（22页珍藏版）》请在金锄头文库上搜索。
1、分类器的评估 张英 混淆矩阵与分类准确率 多分类问题 的混淆矩阵 预测结果类 c1c2ck总 实 际 类 c1 c2 ck 总n 准确率 误分类率 分类模型的评价指标 1. 准确率与误分类率 准确率 =(tp+tn) )/(tp+fn+fp+tn) 误分类率=(fn+fp)/(tp+fn+fp+tn) 真正率（灵敏度） =tp/(tp+fn) 真负率（特指度） =tn/(fp+tn) 假正率 =fp/(fp+tn) 假负率 =fn/(tp+fn) 二分类问题 的混淆矩阵 预测结果类 +-总 实 际 类 + tp fntp+fn - fp tnfp+tn 总tp+fpfn+tntp+fn+ fp
2、+tn 不平衡分布类 二类分类问题的混淆矩 阵 预测结果类 +10-90 实 际 类 +5+ (tp)3 +- (fn)2 -95-+ (fp)7 (tn)88 误分类率：9% 真正率：60% 评估指标 2. 精度 P=tp / (tp+fp) 3. 召回率（真正率、灵敏 度） R=tp/(tp+fn) 4.FSCORE 精度和召回率 的调和均值： 召回率和精度的权重相同： F = 2RP/(R+P) 将召回率的权重设为精度的倍 ： 二分类问题的 混淆矩阵 预测结果类 +-总 实 际 类 + tp fntp+fn - fp tnfp+tn 总tp+fpfn+tntp+fn+ fp+tn 评估指
3、标 二分类问 题的误分 类代价 预测结果类 +-总 实际 类 +C(+,+) C(+,-) C(+,+)*TP+C(+,-)*FN -C(-,+) C(-,-) C(-,+)*FP+C(-,-)*TN 5. 误分类代价 （成本或收益） 误分类代价对称 C(+,+)=C(-,-)=0 C(+,-)=C(-,+)=1 误分类代价不对称 关注预测为正类 成本角度 收益角度 二分类问题的 混淆矩阵 预测结果类 +-总 实 际 类 + tp fntp+fn - fp tnfp+tn 预测性能评估指标的选择 平衡分布类，对称误分类代价 准确率、误分类率，精度 不平衡分布类，对称误分类代价 精度，召回率，F
4、SCORE 不对称误分类代价 成本或收益 模型评估方法 Hold方法 将数据分成训练集和验证（测试）集，一般按照 2:1比例划分，以验证集指标进行评估； 多次随机采样 进行N次上述（1）的随机采样，然后计算N个测试 精度的平均值 自助法（bootstrap)（最常用的.632自助法） 进行N次有放回的均匀采样，获得的数据集作为训 练集，原数据集中未被抽中的其它观测形成验证集 。可重复K次，计算准确率： 模型评估方法 交叉验证 数据集小的时候，可将数据集分成K个不相交 的等大数据子集，每次将K-1个数据集作为训练 集，将1个数据集作为验证（测试）集，得到K 个测试精度，然后计算K个测试指标的平均
5、值 。 留一交叉验证：K=N； 分层交叉验证：每个部分中保持目标变量的分 布。 不同分类器预测准确度差异的显 著性检验 T检验（自由度为K-1） 以交叉验证为例（k为验证集观测分折数）： 相同验证集： 不同验证集： 分类器预测准确度置信区间 分类器预测真正准确度p= 其中：N：验证集观测个数； acc：基于当前验证集分类器的准确度； ROC曲线（receiver operating characteristic) 曲线下方面积越大，模型越好，即曲线与y轴正向的夹角越小 越好。 真正率 假正率 二分类问题 的混淆矩阵 预测结果类 +-总 实 际 类 + tp fntp+fn - fp tnfp+
6、tn 总tp+fpfn+tntp+fn+ fp+tn 制作ROC曲线 验证集共有10个观测，其中正类（P类）5个，负类（N类）5个 将验证集各观测按照预测为正类的概率降序排列，每个观测计算对应 的真正率和假正率，形成一个点。 提升图 假定： 目标变量的取值为GOOD 和BAD N 为验证集观测个数； RGOOD为验证集目标变量取 值为GOOD的观测个数； p_good为验证集目标变量 预测为GOOD的概率值； 验证集的混 淆矩阵 预测 结果类 goodbad总 实 际 类 good tp fnRGOO D bad fp tnRbad 总N 绘制提升图 1.将验证集各观测按照p_good降序排列
7、,等分成10组。 2.以10个分组为横坐标 以下指标分别为纵坐标： %response：每组中实际为GOOD的观测个数占本组总 个数的比例; %captured response:每组中实际为GOOD的观测个数 占RGOOD的比例; %cumulative response:前面各组中实际为GOOD的观测 个数占前面各组总个数的比例 %cumulative captured response:前面各组中实际为 GOOD的观测个数占RGOOD的比例。 lift value=使用模型以后的% response/ 不使用任何模 型进行决策的% response 提升图 某公司发送了1000封广告邮件
8、，有200个客户响应了邮件（即由于收 到邮件而在该公司产生了消费行为）。每个10分位（100个观测）的响 应者个数根据对验证数据集的计算得到。 决策阈值选择 根据每个观测预测为每个目标类的 概率决定该观测的目标类值。 对二分类： 理论阈值p=1/(1+1/B) B=C（-，+）/C（+，-） 根据提升图和实际业务背景选择 合适的分组比例。 根据分组比例决定最终决策阈值 。 提高分类准确率技术组合分类 组合分类方法 有放回抽样产生多个样本 装袋： 多数表决决定最终结果 提升（ada boost) 随机森林： 多颗决策树，随机属性选择 组合方法 联合方法 处理多类问题的方法 不平衡分布类处理技术 抽样技术 过抽样技术 对稀有类重复抽样 欠抽样技术 对多数类随机抽样 混合抽样技术 阈值移动技术 组合技术 分类器性能指标 运行速度 鲁棒性（对噪声和缺失值的适应性） 可伸缩性（对数据规模扩大的适应性） 可解释性
