机器学习中的性能度量指标汇总

Class	Content
layout	post
title	机器学习中的性能度量指标汇总
categories	Blog
description	对机器学习中常用的度量模型的指标进行汇总，并对其附上代码便于以后使用
keywords	错误率和精度、查准率、查全率、F值、ROC和AUC

前言

在机器学习中要考察选择模型的优劣，需要对模型的泛化能力进行评估，这就是性能度量。本篇文章主要介绍分类、回归以及聚类中的性能度量以及编写代码以便于以后使用。

分类任务常用的性能度量

1. 错误率和精度
顾名思义，错误率是指分类错误的样本占总样本的比例，精度则是分类正确的样本占样本总数的比例
错误率表示为： $error(f;D)=\frac{1}{N}\sum_{i=0}^{N}I(f(x_i)\neq y_i)$ 精度表示为： $acc(f;D)=\frac{1}{N}\sum_{i=0}^{N}I(f(x_i)=y_i)$ 其中 $I$ 为指示函数，满足要求则为1，不满足为0，且 $error=1-acc$
更一般的,对于数据分布 $D$ 和概率密度 $p(.)$
错误率表示为： $error(f;D)=\int_{x \in D}I(f(x)\neq y)p(x)dx$ 精度表示为： $acc(f;D)=\int_{x \in D}I(f(x)=y)p(x)dx$
实现代码:
2. 召回率Recall、准确率Precision、F值
单纯靠错误率和精度衡量模型的是远远不够的，在分类中常用Recall、Precision以及F值去度量模型，如下图二分类混淆矩阵，将召回率和准确率以及F值定义如下：

图1. 二分类混淆矩阵

Precision表示为： $P=\frac{TP}{TP+FP}$
Recall表示为： $R=\frac{TP}{TP+FN}$
F值是召回率和准确率的调和平均值，表示为： $\frac{2}{F}=\frac{1}{P}+\frac{1}{R}$ 即F值表示为： $F=\frac{2TP}{2TP+FP+FN}=\frac{2*P*R}{P+R}$
下图是样本总体上的查全率、查准率，当前一个学习器的P-R曲线被另外的学习器完全包住时，则说明后一个学习器性能更优，如果发生交叉，则不能断言。

PR曲线

平衡点（BEP）即查全率=查准率时。平衡点相对更为简单，所以使用F1值或者加权调和平均。
加权调和平均定义为： $F_\alpha=\frac{(1+\alpha^2)*P*R}{(\alpha^2*P)+R}$
$\alpha=1$ 标准F1, $\alpha>1$ 查全率有更大影响, $\alpha<1$ 查准率有更大影响
补充：
在n个二分类混淆矩阵上综合考察查全率查准率有两种方式：
1。宏查准率、宏查全率、宏F1
先在各混淆矩阵上分别计算出查准率和查全率记为 $(P_1,R_1),(P_2,R_2),...,(P_n,R_n)$
$macro_P=\frac{1}{n}\sum\limits_{i=1}^{n}P_i$
$macro_R=\frac{1}{n}\sum\limits_{i=1}^{n}R_i$
$macro_F1==\frac{2*macro_P*macro_R}{macro_P+macro_R}$
2。微查准率、微查全率、微F1
将各个混淆矩阵的对应元素进行平均，得到 $TP/FP/TN/FN$ 的平均值 $\hat{TP}/\hat{FP}/\hat{TN}/\hat{FN}$ ，再计算微查全率、微查准率和微F1。
3. ROU与AUC
ROU(Receiver Operating Characteristic，受试者工作特征)
很多学习器是为了测试样本产生一个实值或概率预测，然后将这个预测值与分类器阈值比较，大于阈值则分为正类，否则为反类。在不同的分类任务中，根据需求采取不同的阈值，对所有测试样本进行排序，采用不同的截断点(就是阈值)，例如更重视查准率，排序位置靠前截断，更重视查准率，排序位置靠后截断。
ROC曲线的纵轴是“真正例率”（TPR）也称为灵敏度，横轴是“假正例率”（FPR）也称为1-特异度
$TPR=\frac{TP}{TP+FN}$
$FPR=\frac{FP}{TN+FP}$

ROC曲线与AUC示意图

与PR曲线相似，如果ROC曲线完全被另外学习器的曲线包住，则另外学习器的性能更优，如果交叉则不能判定。如果需要继续进行比较，可以使用曲线下的面积，即AUC（Area Under ROC Curve）
ROC曲线的优点是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
PR曲线与ROC的使用场合：
如果没有数据不均衡,倾向于用ROC；
如正样本远小于负样本，PR更敏感，因为用到了precision=(TP/(TP+FP))，所以应该用PRC.
正样本远大于负样本，PRC和ROC差别不大，都不敏感

最后编辑于：2019.04.11 18:45:16