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)。
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:
def get_acc(y, y_hat):
return sum(yi == yi_hat for yi, yi_hat in zip(y, y_hat)) / len(y)
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。
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);
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:
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
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:
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
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:
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
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。
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:
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
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:
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
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。
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。
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")
我们让预测值直接等于实际值
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。
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")
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
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。
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")
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
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。
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")
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
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。
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")
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
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。
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")
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。
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。
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")
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。
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