垃圾邮件分类器的评价指标及ROC曲线Java实现

上一篇博客讲到基于贝叶斯算法的垃圾邮件分类Java实现，最后得到每一封测试邮件为垃圾邮件的概率probability数组，最后的分类步骤和指标评价任务留到了这篇博客进行讲解。因为联合概率法和贝叶斯法最后的正确率相仿，本文只对联合概率法的结果进行评价。

首先，我们需要明确我们所需要的评价指标：混淆矩阵、各种指标率、ROC曲线。对评价指标不了解的小伙伴先阅读这篇博客，非常好懂！https://blog.csdn.net/chocolate_chuqi/article/details/81162244

1 混淆矩阵

对于二分类问题，混淆矩阵由四个值构成：

public static int TP = 0;//实际为垃圾，预测也为垃圾
public static int FN = 0;//实际为垃圾，预测却为正常
public static int FP = 0;//实际为正常，预测却为垃圾
public static int TN = 0;//实际为正常，预测也为正常

显然，如果一个分类器的结果全部由TP和TN组成，那么这个分类器不谈性能可以说是“完美”分类器了。

在本项目中，我们已经得到的概率probability数组，还需要设定一个阈值才能得到混淆矩阵。

1.当我们设定阈值为0时，意味着只要probability大于等于0，则该邮件被判断为垃圾邮件。显然，所有的邮件都会被预测为垃圾邮件。由程序的输出可以看到，10000封测试邮件中，所有邮件都被预测成了垃圾邮件。其中6400封原本就为垃圾邮件(TP)，3600封原本为正常邮件(FP)。

------------------阈值（0.00）-----------------

 -------------------------------------------------- 
|                   |         实际类                    |
|      数量      |---------------------------------|
|                   |   垃圾       |    正常          |
|----------------|---------------------------------|
|预测类|垃圾 |    6400     |     3600        |
|           |正常 |    0           |      0            |
|----------------|---------------------------------|
 

 2.当我们将阈值调整为0.5时，再看程序输出。TP = 6207，FP = 175，FN = 193，TN = 3425。对比阈值为0的情况，我们发现正确率已经很不错了，但是还是“错杀”了175封正常邮件，这在实际运用中是不能被允许的。那么该如何描述分类器存在的问题呢？除了正确率，下面将介绍其它几项指标。

------------------阈值（0.50）-----------------

 -------------------------------------------------- 
|                   |         实际类                    |
|      数量      |---------------------------------|
|                   |   垃圾       |    正常          |
|----------------|---------------------------------|
|预测类|垃圾 |    6207     |     175         |
|           |正常 |    193       |      3425      |
|----------------|---------------------------------|

2 各种指标率

1.Accuracy（正确率） ：我们最容易理解的指标，也是最直观的指标。

   Accuracy = (TP+TN)/(TP+FP+TN+FN)

2.Precision（精确率）：这个概率在本项目中就是衡量“错杀”很好的指标，如果Precision为1，则没有一封正常邮件被错杀。

   Precision=TP/(TP+FP)

3.Specificity（特效率）：这个概率在本项目中也可以作为衡量“错杀”的指标，如果Specificity为1，则没有一封正常邮件被错杀。

   Specificity=TN/(TN+FP)

4.Recall（召回率）、Sensitivity（灵敏度）：两者的公式一样，在本项目中可以作为衡量“漏杀”的指标，如果Recall（Sensitivity）为1，则没有一封垃圾邮件被漏杀。

Recall=Sensitivity=TP/(TP+FN)

/*被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好*/
public static double accuracy = 0;//准确率Accuracy = (TP+TN)/(TP+FP+TN+FN)
/*被分为正例的示例中实际为正例的比例*/
public static double precision = 0;//精确率precision=TP/(TP+FP)
/*所有负例中被分对的比例，衡量了分类器对负例的识别能力*/
public static double specificity = 0;//特效率specificity=TN/N
/*所有正例中被分对的比例，衡量了分类器对正例的识别能力*/
public static double recall = 0;//召回率recall=TP/(TP+FN) = 灵敏度（Sensitivity）
/*F1-Score指标综合了Precision与Recall的产出的结果。
F1-Score的取值范围从0到1的，1代表模型的输出最好，0代表模型的输出结果最差。*/
public static double F1_Score = 0;//平衡F分数:准确率和召回率的调和平均数

在阈值等于0时，虽然正确率高于50%，但特效度=0，代表着该分类器一封正确的邮件都识别不出来，完全不起作用。

正确率（accuracy）= (TP+TN)/(P+N) = 0.64
特效度（specificity）= TN/N = 0.00
精度（precision）= TP/(TP+FP) = 0.64
召回率（recall）= 灵敏度（sensitive）= TP/(TP+FN) = 1.00
综合分类率（F1）= 2 * precision * recall / (precision + recall) = 0.78

在阈值等于0.5时，各项指标都大于等于95%，分类效果明显。

正确率（accuracy）= (TP+TN)/(P+N) = 0.96
特效度（specificity）= TN/N = 0.95
精度（precision）= TP/(TP+FP) = 0.97
召回率（recall）= 灵敏度（sensitive）= TP/(TP+FN) = 0.97
综合分类率（F1）= 2 * precision * recall / (precision + recall) = 0.97

3 概率分布图和ROC曲线

Java中并没有绘制概率分布图和ROC曲线现成的包，我通过JFreeChart绘制的折线图。

3.1 概率分布图

概率分布图描述的是测试样本的概率分布情况，即每一封测试邮件对应的概率分布情况。它的横坐标是概率值probability，纵坐标是这个概率值probability对应的样本（邮件）数量。

本项目中概率值probability表示我们预测的邮件为垃圾邮件的概率。那么，绘制出的概率分布图中，实际为垃圾邮件的样本应该更靠近直线x=1，而实际为正常邮件的样本应该更靠近直接x=0。

这是程序所绘制出的概率分布图，红线代表的是实际为垃圾邮件的分布情况，蓝线代表的是实际为正常邮件的分布情况。我们可以看到：

1.大部分样本是被完全分成了两个极端，证明分类器区分能力强。

2.概率值probability = 0.5上汇集了小部分样本，程序中设定了当垃圾邮件和正常邮件概率都趋于0时，手动设定probability = 0.5，因此可能是这类邮件所含分词一部分在正常邮件中，另一部分在垃圾邮件，导致分类器无法正确区分。

3.概率值probability = 0上汇集了小部分垃圾邮件样本，可能这类邮件所含垃圾分词还未被训练到。

4.概率值probability = 1上汇集了小部分正常邮件样本，这部分原因尚未发现，但却是程序的大问题，它代表着“错杀”正确邮件。

 -----------------------------概率分布曲线------------------------------
概率分布坐标点：
正例坐标：
(0.00, 162)(0.01, 1)(0.02, 1)(0.05, 1)(0.08, 14)(0.14, 2)(0.31, 2)(0.34, 5)(0.46, 4)(0.47, 1)(0.50, 122)(0.55, 1)(0.64, 1)(0.65, 1)(0.66, 3)(0.71, 2)(0.77, 19)(0.84, 1)(0.87, 1)(0.91, 2)(0.93, 5)(0.94, 1)(0.97, 38)(0.98, 5)(0.99, 1)(1.00, 6004)
负例坐标：
(0.00, 3412)(0.01, 3)(0.02, 2)(0.03, 2)(0.04, 1)(0.08, 1)(0.13, 1)(0.18, 1)(0.25, 1)(0.41, 1)(0.50, 35)(0.67, 1)(0.92, 1)(0.97, 1)(0.98, 1)(0.99, 2)(1.00, 134)

3.2 ROC曲线

对ROC曲线不了解的同学可以先看这篇博客：https://blog.csdn.net/liweibin1994/article/details/79462554

ROC曲线的横纵坐标为两个指标FPR、TPR。计算公式：

//得到ROC曲线坐标值
TPR = (double) TP / (double) (TP + FN);
FPR =  (double) FP / (double)(FP + TN);

每一组坐标值都需要由混淆矩阵得到，而每一个混淆矩阵都对应着一个阈值。因此，为了得到多组ROC坐标，我们需要调整多个阈值。而ROC曲线需要经过（0，0）、（1，1）点，它们对应着阈值为0和1的情况。因此，我们就设定初始阈值为-0.05，阈值增值为0.05，阈值最大值为1.05，这样就能多组ROC坐标，同时保证ROC曲线过（0，0）、（1，1）这两点。

根据概率分布图，我们发现其实样本概率基本分布在两点，导致我们的阈值设定在0.05-0.95之间时，对应的混淆矩阵变化不大，所以即使我们设定了20多个不同阈值，但得到的ROC坐标却大部分相同，且处于同一块小区域。

-----------------------------ROC曲线------------------------------
ROC曲线坐标点：
(1.00, 1.00)(1.00, 1.00)(0.05, 0.97)(0.05, 0.97)(0.05, 0.97)(0.05, 0.97)(0.05, 0.97)(0.05, 0.97)(0.05, 0.97)(0.05, 0.97)(0.05, 0.97)(0.05, 0.97)(0.04, 0.95)(0.04, 0.95)(0.04, 0.95)(0.04, 0.95)(0.04, 0.95)(0.04, 0.95)(0.04, 0.95)(0.04, 0.95)(0.04, 0.95)(0.02, 0.87)(0.00, 0.00)
 

后续 

1.优化了判定条件，解决了概率分布图x=0.5样本聚集情况。

2.至于x=0和x=1处的样本聚集，在于训练样本不足，导致概率差距过大，很容易导致垃圾邮件（rate）和正常邮件（tempRate)概率产生一个10倍以上的差距，导致弱势一方的比重微不足道。

3.对比了联合概率法和贝叶斯法60000封邮件下的预测结果，发现阈值0.5时，贝叶斯法小优于联合概率法。

贝叶斯法

------------------阈值（0.50）-----------------

 -------------------------------------------------- 
|                   |         实际类                    |
|      数量      |---------------------------------|
|                   |   垃圾       |    正常          |
|----------------|---------------------------------|
|预测类|垃圾 |    6217     |     147         |
|           |正常 |    183       |      3453      |
|----------------|---------------------------------|

正确率（accuracy）= (TP+TN)/(P+N) = 0.97

特效度（specificity）= TN/N = 0.96

精度（precision）= TP/(TP+FP) = 0.98

召回率（recall）= 灵敏度（sensitive）= TP/(TP+FN) = 0.97

综合分类率（F1）= 2 * precision * recall / (precision + recall) = 0.97

联合概率法

------------------阈值（0.50）-----------------

 -------------------------------------------------- 
|                   |         实际类                    |
|      数量      |---------------------------------|
|                   |   垃圾       |    正常          |
|----------------|---------------------------------|
|预测类|垃圾 |    6207     |     147         |
|           |正常 |    193      |      3453      |
|----------------|---------------------------------|

正确率（accuracy）= (TP+TN)/(P+N) = 0.97

特效度（specificity）= TN/N = 0.96

精度（precision）= TP/(TP+FP) = 0.98

召回率（recall）= 灵敏度（sensitive）= TP/(TP+FN) = 0.97

综合分类率（F1）= 2 * precision * recall / (precision + recall) = 0.97