前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >分类模型评估的方法及Python实现

分类模型评估的方法及Python实现

作者头像
IT派
发布2019-06-10 14:23:04
9610
发布2019-06-10 14:23:04
举报
文章被收录于专栏:IT派

提到分类模型评估相信大家应该都不会觉得陌生(不陌生你点进来干嘛[捂脸]),本文就分类模型评估的基本原理进行讲解,并手把手、肩并肩地带您实现各种评估函数。完整实现代码请参考本人的p...哦不是...github:https://github.com/tushushu/imylu/blob/master/imylu/utils/model_selection.py

1. 分类模型

分类问题其实在生活中处处可见,比如我们在大街上看妹纸,会把妹纸的外貌分为好看和非常好看(求生欲。。。);再比如我们刷微博,会把微博推送给我们的内容分为喜欢的和不喜欢的。上述问题就是典型的分类问题,确切的说是二分类问题,而能够解决这些二分类问题的数学模型就被称为二分类模型。用数学的方式表达就是,给定自变量X,代入到我们的分类模型F,会输出因变量y,y的取值为0或1,其中0代表负样本(好看的妹纸、不喜欢的微博),1代表正样本(非常好看的妹纸、喜欢的微博)。

2. 准确率

如何评估一个分类模型计算出来的结果是否准确呢?最简单的方式就是用准确率(Accuracy)来评价。比如我们手机上有5条微博,我们对这5条微博的态度分别是喜欢、喜欢、不喜欢、不喜欢、喜欢,用数组表示就是y = [1, 1, 0, 0, 1]。我们将微博的文字内容,图片内容等特征X代入到分类模型F中,得到分类结果是y_hat = [1, 1, 0, 0, 0]。显然5个样本中我们正确分类了4个,准确率 = 4 / 5 * 100% = 80%。用Python实现计算准确率的函数如下:

代码语言:javascript
复制
def get_acc(y, y_hat):
 return sum(yi == yi_hat for yi, yi_hat in zip(y, y_hat)) / len(y)

3. 准确率的陷阱

如果用准确率就足以评估分类模型的优劣,那么我也就不会专门写一篇文章了[微笑]。假设大街上我们遇到好看的妹纸的概率是99%,遇到非常好看的妹纸的概率是1%。那么我们用模型F(X) = 0,即不分青红皂白,一律简单粗暴地预测所有妹纸都是好看的(负样本),模型就可以达到99%的准确率,这显然是非常荒谬的。

4. 混淆矩阵

如何解决准确率的陷阱呢,接下来轮到混淆矩阵矩阵出场了。混淆矩阵,顾名思义,就是可以让你混淆各种模型评价指标的矩阵。矩阵的形状是2 x 2,其中, - 矩阵的左上角表示,预测值为1,实际值为1(True Positive,简称TP); - 右上角表示预测值为1,实际值为0(False Positive,简称FP); - 左下角表示预测值为0,实际值为1(False Negative,简称FN); - 右下角表示预测值为0,实际值为0(True Negative,简称TN);

5. TPR

TPR也被称作召回率,即正例被我们准确预测的比例。我们再回头看看准确率的陷阱,简单粗暴地预测所有妹纸都是好看的(负样本),模型就可以达到99%的准确率。但是其TPR是0,即非常好看的妹纸都没有被模型识别出来。用全宇宙最简单的编程语言Python实现TPR的计算函数如下:

代码语言:javascript
复制
def get_tpr(y, y_hat):
    true_positive = sum(yi and yi_hat for yi, yi_hat in zip(y, y_hat))
    actual_positive = sum(y)
 return true_positive / actual_positive

6. Precision

Precision也被称作精确率,即我们预测的正例中有多少个是准确的,可以从另一个角度来评估模型的预测能力。用全宇宙最简单的编程语言Python实现Precision的计算函数如下:

代码语言:javascript
复制
def get_precision(y, y_hat):
    true_positive = sum(yi and yi_hat for yi, yi_hat in zip(y, y_hat))
    predicted_positive = sum(y_hat)
 return true_positive / predicted_positive

7. TNR

TNR也称特异度,即我们预测的负例中有多少个是准确的。除此之外,特异度更多地被用于ROC曲线的绘制。用全宇宙最简单的编程语言Python实现TNR的计算函数如下:

代码语言:javascript
复制
def get_tnr(y, y_hat):
    true_negative = sum(1 - (yi or yi_hat) for yi, yi_hat in zip(y, y_hat))
    actual_negative = len(y) - sum(y)
 return true_negative / actual_negative

8. 分类模型的阈值

为了简化问题,前面我们讨论分类模型的输出都是0和1的离散变量。事实上分类模型一般会输出一个介于0和1之间的数字x,比如0.75。我们需要设定一个阈值k,默认是0.5也可以根据实际情况调整。如果x>= k,那么预测结果就是1,否则预测结果就是0。由于0.75 >= 0.5,所以预测结果是1。

9. ROC

由于TPR = TP / Number of Positive,所以当阈值为0时,所有的样本都会被预测为Positive,所以TPR等于1,同理这时的1 - TNR为1,当阈值为1时TPR等于0,1- TNR等于0。如果我们让阈值从1逐渐降低到0,会得到很多对TPR和1 - TNR,将这些值当做数据点,以TPR为y轴,1 - TNR为x轴绘制出一条曲线,这条曲线就是ROC曲线。用全宇宙最简单的编程语言Python实现ROC数据点的计算函数如下:

代码语言:javascript
复制
def get_roc(y, y_hat_prob):
    thresholds = sorted(set(y_hat_prob), reverse=True)
    ret = [[0, 0]]
 for threshold in thresholds:
        y_hat = [int(yi_hat_prob >= threshold) for yi_hat_prob in y_hat_prob]
        ret.append([get_tpr(y, y_hat), 1 - get_tnr(y, y_hat)])
 return ret

10. AUC

ROC曲线下的面积被称为AUC,可以评估模型的性能。用全宇宙最简单的编程语言Python实现AUC的计算函数如下:

代码语言:javascript
复制
def get_auc(y, y_hat_prob):
    roc = iter(get_roc(y, y_hat_prob))
    tpr_pre, fpr_pre = next(roc)
    auc = 0
 for tpr, fpr in roc:
        auc += (tpr + tpr_pre) * (fpr - fpr_pre) / 2
        tpr_pre = tpr
        fpr_pre = fpr
 return auc

10.1 AUC为0.5,模型没有预测能力

我们生成1000个实际值,其中500个值为1,500个值为0,顺序被随机打乱。

代码语言:javascript
复制
import pandas as pdimport numpy as npfrom numpy.random import rand, seed, shuffle, normalseed(100)y = np.array([0, 1] * 500)shuffle(y)

然后我们随机生成1000个实际值

seed(20)y_pred = rand(1000)

计算出ROC曲线的数据点,并绘制ROC曲线。不难看出这条ROC曲线的AUC值约等于0.5,而预测值都是我们随机生成的,也就印证了AUC为0.5时模型没有预测能力的说法。

代码语言:javascript
复制
points = get_roc(y, y_pred)df = pd.DataFrame(points, columns=["tpr", "fpr"])print("AUC is %.3f." % get_auc(y, y_pred))df.plot(x="fpr", y="tpr", label="roc")

10.2 AUC值为1,模型的预测能力最强

我们让预测值直接等于实际值

代码语言:javascript
复制
y_pred = np.array(y)

计算出ROC曲线的数据点,并绘制ROC曲线。不难看出这条ROC曲线的AUC值1,也就印证了AUC值为1,模型的预测能力最强的说法。当然,在实际应用时这种情况是几乎不可能出现的。

代码语言:javascript
复制
points = get_roc(y, y_pred)df = pd.DataFrame(points, columns=["tpr", "fpr"])print("AUC is %.3f." % get_auc(y, y_pred))df.plot(x="fpr", y="tpr", label="roc")

10.3 对于正例和负例有着对等预测能力的ROC曲线

阈值为0.5时,我们让预测值有70%的可能性是正确预测。比如yi = 1,那么预测值有70%的可能性是[0.5, 1]之间的随机数。如果yi = 0,那么预测值有70%的可能性是[0, 0.5]之间的随机数

代码语言:javascript
复制
seed(15)f = lambda x: rand() / 2 + 0.5 if x else rand() / 2y_pred = np.array([f(yi) if rand() > 0.3 else f(1 - yi) for yi in y])

计算出ROC曲线的数据点,并绘制ROC曲线。可以看出ROC曲线的形状是对称的。

代码语言:javascript
复制
points = get_roc(y, y_pred)df = pd.DataFrame(points, columns=["tpr", "fpr"])print("AUC is %.3f." % get_auc(y, y_pred))df.plot(x="fpr", y="tpr", label="roc")

10.4 对于正例有着较强预测能力的ROC曲线

阈值为0.5时,我们让正例的预测值有95%的可能性是正确预测,负例的预测值有70%的可能性是正确预测

代码语言:javascript
复制
seed(200)def f(x):
 if x == 1:
 if rand() > 0.05:
 return rand() / 2 + 0.5
 else:
 return rand() / 2
 else:
 if rand() > 0.3:
 return rand() / 2
 else:
 return rand() / 2 + 0.5y_pred = np.array([f(yi) for yi in y])

计算出ROC曲线的数据点,并绘制ROC曲线。可以看出ROC曲线的形状是偏上的。

代码语言:javascript
复制
points = get_roc(y, y_pred)df = pd.DataFrame(points, columns=["tpr", "fpr"])print("AUC is %.3f." % get_auc(y, y_pred))df.plot(x="fpr", y="tpr", label="roc")

10.5 对于负例有着较强预测能力的ROC曲线

阈值为0.5时,我们让正例的预测值有70%的可能性是正确预测,负例的预测值有95%的可能性是正确预测

代码语言:javascript
复制
seed(120)def f(x):
 if x == 1:
 if rand() > 0.3:
 return rand() / 2 + 0.5
 else:
 return rand() / 2
 else:
 if rand() > 0.05:
 return rand() / 2
 else:
 return rand() / 2 + 0.5y_pred = np.array([f(yi) for yi in y])

计算出ROC曲线的数据点,并绘制ROC曲线。可以看出ROC曲线的形状是偏左的。

代码语言:javascript
复制
points = get_roc(y, y_pred)df = pd.DataFrame(points, columns=["tpr", "fpr"])print("AUC is %.3f." % get_auc(y, y_pred))df.plot(x="fpr", y="tpr", label="roc")

10.6 预测值集中在0.5左右的ROC曲线

阈值为0.5时,我们让预测值有80%的可能性是正确预测,但值集中在0.5左右

代码语言:javascript
复制
seed(220)def f(x):
 if x == 1:
 if rand() > 0.2:
 return rand() / 10 + 0.5
 else:
 return 0.5 - rand() / 10
 else:
 if rand() > 0.2:
 return 0.5 - rand() / 10
 else:
 return rand() / 10 + 0.5y_pred = np.array([f(yi) for yi in y])

计算出ROC曲线的数据点,并绘制ROC曲线。

代码语言:javascript
复制
points = get_roc(y, y_pred)df = pd.DataFrame(points, columns=["tpr", "fpr"])print("AUC is %.3f." % get_auc(y, y_pred))df.plot(x="fpr", y="tpr", label="roc")

10.7 预测值靠近1或0的ROC曲线

阈值为0.5时,我们让预测值有80%的可能性是正确预测,但值靠近1或0。

代码语言:javascript
复制
seed(50)def f(x):
 if x == 1:
 if rand() > 0.2:
 return 1 - rand() / 10
 else:
 return rand() / 10
 else:
 if rand() > 0.2:
 return rand() / 10
 else:
 return 1 - rand() / 10y_pred = np.array([f(yi) for yi in y])

计算出ROC曲线的数据点,并绘制ROC曲线。可以看出曲线跟10.6几乎没有差异,根据ROC曲线的定义不难思考出原因。

代码语言:javascript
复制
points = get_roc(y, y_pred)df = pd.DataFrame(points, columns=["tpr", "fpr"])print("AUC is %.3f." % get_auc(y, y_pred))df.plot(x="fpr", y="tpr", label="roc")

10.8 预测值恒等于0.9的ROC曲线

代码语言:javascript
复制
y_pred = np.array([0.9] * len(y))

计算出ROC曲线的数据点,并绘制ROC曲线。发现预测值为定值的模型,ROC曲线是一条直线,AUC恒等于0.5。

代码语言:javascript
复制
points = get_roc(y, y_pred)df = pd.DataFrame(points, columns=["tpr", "fpr"])print("AUC is %.3f." % get_auc(y, y_pred))df.plot(x="fpr", y="tpr", label="roc")

作者:李小文

知乎专栏:https://zhuanlan.zhihu.com/lixiaowen

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-03-15,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 IT派 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 2. 准确率
  • 3. 准确率的陷阱
  • 4. 混淆矩阵
  • 5. TPR
  • 6. Precision
  • 7. TNR
  • 8. 分类模型的阈值
  • 9. ROC
  • 10. AUC
  • 10.1 AUC为0.5,模型没有预测能力
  • 10.2 AUC值为1,模型的预测能力最强
  • 10.3 对于正例和负例有着对等预测能力的ROC曲线
  • 10.4 对于正例有着较强预测能力的ROC曲线
  • 10.5 对于负例有着较强预测能力的ROC曲线
  • 10.6 预测值集中在0.5左右的ROC曲线
  • 10.7 预测值靠近1或0的ROC曲线
  • 10.8 预测值恒等于0.9的ROC曲线
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档