模型评估方法

1. 前言

模型的评估方法主要是针对有监督学习的。

2. 数据集划分方法

我们在拿到数据的时候，数据的表现形式会呈现多种多样性，我们首先需要做的是把数据格式化，把数据处理成计算机可以认识的结构。处理数据的过程叫做特征工程，特征工程是一个在机器学习的过程中，非常重要的一个过程，特征工程做的好坏，会直接影响到最后的模型准确度的一个上限。特征工程我后面会详细介绍，今天介绍的是在特征工程处理完后的，数据集的划分和性能的度量方式。

2.1 留出法

留出法就是把数据集切分成训练集和测试集，留出法最重要的一点是要保证训练集和测试集的数据分布要相同，避免因为数据划分不均匀而引入的额外的偏差。从样本采样的角度来看待数据集的划分过程，则保留类别比例的采样方式叫做“分层采样”。为了让留出法能够有比较好的效果一般会重复多次进行平均。

2.2 交叉验证

交叉验证一般是在训练集的基础上进行的。因为测试集是最后用来评价模型的好坏的，不能让模型提前看到测试集。

交叉验证有一个超参数K。K代表的意思是从训练集D中，分层采样的方式得到K个互斥的(D_i)（K折交叉验证）。然后通过K-1个子数据集的并集进行训练，用剩下的一个子数据集进行验证。就可以得到K个模型，最后返回K个模型的平均值。
过程如下图所示：

交叉验证中有一个特殊的方法交“留一法”，它的意思是如果训练集中有m个数据，那我就进行“m折交叉验证”，每次用一个数据进行验证，这样最大的好处是避免了随机样本划分来带的影响。留一法的结果往往认为是准确的。但是留一法也是计算开销最大的一种方式，一般只会在学术论文中为了追求最好的效果才可能去尝试的办法。

2.3 自助法

我们希望评估的是用整个训练集D训练出来的模型，但是无论是留一法还是交叉验证法，都会切分一部分数据为测试数据，这必然会引入一定的误差。

自助法直接以自助采样（bootstrap sample）为基础。自助采样是每次在数据集D中随机采样产生子数据集D1，然后放回，这个过程重复进行m次采样，获得m个子数据集D1，再对m个子数据集进行训练，获得一个平均的模型。

自助法会有一部分数据一直没有被训练到。这部分数据称为“包外估计”简称OOB，这部分数据量约为36.8%。自助法现在一般运用在随机森林（Random Forest）里面比较多。

3. 性能度量

性能度量是用来衡量模型泛化能力的评价标准。

性能度量可以用来在对同一个问题，评价不同模型的泛化能力的好坏，也可以针对同一个模型的泛化能力是否有所提升。

假定在预测任务中，给定的样本集(D={(x_1,y_1),(x_2,y_2),...,(x_m,y_m)})，其中(y_i)是(x_i)的标记，(f(x))是模型对x的预测值。

3.1 回归任务

回归任务中，常用的是均方误差

[E(f,D)=frac{1}{m}sum_{i=1}^m(f(x_i)-y_i)^2 ]

更一般的情况，对于数据分布D和概率密度P，均方误差可以改写为

[E(f,D)=int_{xin{D}}(f(x)-y)^2*p(x)dx ]

3.2 分类任务

3.2.1 准确度

在分类任务中，如果类别的个数是平衡，那么最普遍的一个度量性能的方法是准确度，准确度代表的意思是，预测类别和真实类别进行比较，统计分对的类别的比例。

[Acc(f,D)=frac{1}{m}sum_{i=1}^mI(f(x_i)= y_i)=1-E(f,D) ]

更一般的情况，对于数据分布D和概率密度P，准确度可以改写为

[Acc(f,D)=int_{xin{D}}I(f(x)= y)*p(x)dx=1-E(f,D) ]

3.2.2 精准率、召回率、F1

在分类任务中，有一类比较常见的问题，就是数据不平衡的问题。比如癌症预测，针对癌症预测这个问题，本身癌症的发病数相对身体正常的数要低很多。

假设我们的数据是10000个样本，里面有9990个正常值，10个是癌症患者（0代表正常，1代表癌症患者）。如果我们什么都不做的情况下，预测所有人都是0，那正确率是99.9%，感觉是不是准确度已经很高啦，模型已经很不错了？但是这个模型真的有用吗，其实真正的情况是，我们一个癌症患者都没预测出来。所以在这种情况下，用准确度来度量模型的好坏是不对的。我们需要用另外的一种性能度量方式，精准率，召回率和F1值。精准率又叫做查准率，召回率又叫做查全率。