模型评估指标知识整理

基础知识

• 统计项
  • TP：预测y‘=1，预测正确，即实际y=1
  • FP：预测y‘=1，预测错误，即实际y=0
  • FN：预测y‘=0，预测错确，即实际y=1
  • TN：预测y‘=0，预测正确，即实际y=0

  • P代表预测结果为1，N代表预测结果为0，T代表预测正确，F代表预测错误
  • 1代表正样本，0代表负样本，本文后续不做说明
  • sklearn.metrics.confusion_matrix可以直接输出上述统计项，输出格式是：

	预测0	预测1
实际0	TN	FP
实际1	FN	TP

• 统计指标

  指标	名称	统计方式	概率表示	python
  acc	准确率	(TP+TN)/(TP+FP+FN+TN)		sklearn.metrics.accuracy_score
  precision	精准率，精确率，查准率	TP/(TP+FP)	p(y=1|y’=1)	sklearn.metrics.precision_score
  TPR(recall)	召回率，真阳率，真正率，查全率，灵敏度	TP/(TP+FN)	p(y’=1|y=1)	sklearn.metrics.recall_score
  FPR	假阳率，假正率，1-特异度	FP/(FP+TN)	p(y’=1|y=0)
  TNR	特异度，真负率	TN/(FP+TN)	p(y’=0|y=0)
  FNR	假负率	FN/(TP+FN)	p(y’=0|y=1)

  • 要注意准确率(acc)和精确率(precision)的差别，只一字之差，但含义完全不一样，前者是所有样本的预测准确率，而后者只是看正样本的预测精确率
  • sklearn.metrics.classification_report，可以直接输出precision，recall，F1(下面说明)，以及support(相应类别的样本数)

综合评价指标

• F1值

  • $F1=2\ast precision\ast recall/(precision+recall)$，查全率和查准率的调和平均值，两个值同时大的时候，F1才会值比较大
  • 业务解释
    • 高精度(查准率)+高召回率(查全率)：模型能够很好地检测该类；
    • 高精度(查准率)+低召回率(查全率)：模型不能很好地检测该类，但是在它检测到这个类时，判断结果是高度可信的；
    • 低精度(查准率)+高召回率(查全率)：模型能够很好地检测该类，但检测结果中也包含其他类的点；
    • 低精度(查准率)+低召回率(查全率)：模型不能很好地检测该类。
  • sklearn.metrics.f1_score

  from sklearn.metrics import f1_score
  print(f1_score(y_true, y_pred))
  

• ROC曲线

  • 横坐标：FPR(假阳率)；纵坐标：TPR(recall，真阳率)
  • 计算方式：先将样本按照模型输出的概率进行降序排序，然后从大到小选择阈值(根据样本的输出概率值，大于阈值的为正样本，小于的则为负样本)，每次选择一个阈值就可以根据该阈值计算当前的TPR和FPR，于是得到了一个ROC曲线的点。
  • ROC-AUC(一般简称AUC)：ROC曲线下面的面积，可用于表达该模型在不同阈值的情况下的综合效果。ROC曲线的对角线(此时AUC=0.5)代表的是随机猜测的效果，此时正负样本在每个阈值分段范围内都是均匀分布的，即数量相同)。ROC-AUC代表着分别随机从正负样本集中抽取一个正样本，一个负样本，正样本的预测值大于负样本的概率。具体计算ROC-AUC值有更简洁的办法，参考AUC计算方法总结
    

  from sklearn.metrics import roc_curve
  from sklearn.metrics import roc_auc_score
  import matplotlib.pyplot as plt
  fpr, tpr, thresholds = roc_curve(y, scores, pos_label=1) # pos_label可用于指定正样本
  plt.plot(tpr,fpr) # 画ROC曲线
  print(roc_auc_score(y, scores, pos_label=1)) # 计算ROC-AUC值
  

• PRC曲线(或者叫PR曲线)

  • 横坐标：TPR(recall)；纵坐标：precision
  • PRC-AUC(可简称PR值)：PRC曲线下方的面积也可以用来代表模型效果，实际sklearn中的实现并不是计算的真的面积。
  • average_precision_score

  from sklearn.metrics import average_precision_score
  from sklearn.metrics import precision_recall_curve
  import matplotlib.pyplot as plt
  precisions,recalls,thresholds=precision_recall_curve(y_true,y_score, pos_label=1)
  plt.plot(precisions,recalls) # 画PR曲线
  print(average_precision_score(y_true,y_score, pos_label=1)) # 计算PRC-AUC，实际上计算的是AP(average precision)值
  

• PRC-AUC VS ROC-AUC

  1. PRC-AUC会受到正负比例的影响，即模型不变的情况下，测试样本的正负比例会影响其值，而ROC-AUC不会。
  2. 在正负比例不平衡的情况下，ROC-AUC会给出相对乐观的估计，而PRC-AUC不会。此时ROC-AUC也可以用于模型对比

  • PRC-AUC比ROC-AUC更好，本质上不是因为样本数量不平衡，而是损失函数L(y,y’)中L(y=0,y’=0)=0 ，也就是true negative是没有价值的(曲线不同位置的面积并不能简单等价)。这种情况你需要做的是明确你需要的recall/precision的 tradeoff应该是多少，这种情况下当然PRC更好用。
  • 直观理解：ROC曲线的横轴采用FPR，纵轴采用TPR，在类别不平衡的背景下，当负例N的数量远超正例P时，FP的大幅增长只能换来FPR的微小改变，而TPR跟负样本无关。结果是虽然大量负例被错判成正例，在ROC曲线上却无法直观地看出来，因此给出了一个非常乐观的估计。（当然也可以只分析ROC曲线左边一小段）

• 多分类中average参数的使用

  • 二分类中该参数会被忽略
  • 宏平均(macro)：先对每个类别单独计算目标值(如F1)，再取这些值的算术平均值作为全局指标。
  • 微平均(micro)：先累加计算各个类别的TP、TN、FP、FN的值，再由这些值求出目标值(如F1)
  • 由两种平均的计算方式不难看出，宏平均平等对待每一个类别，所以它的值主要受到稀有类别的影响，而微平均平等考虑每个样本，所以它的值受到常见类别的影响比较大

指标选择

一切都要以业务优化方向为指导目标，脱离业务谈指标基本上都是耍无赖

1. 所有样本都要求准确，重要性完全一样：用准确率acc
2. 更看重正样本的召回率，那么召回率大于精确率(查全率)(或大于指定业务阈值)作为限制条件，再比较F1（模型筛选阶段使用PR值作为参考）。比如欺诈检测
3. 更看重正样本的精确率(查全率)，那么精确率(查全率)大于召回率(或大于指定业务阈值)作为限制条件，再比较F1（模型筛选阶段使用PR值作为参考）。比如垃圾邮件过滤
4. 如果最终业务目标是排序，那么选择ROC-AUC。比如点击率预估
5. 如果最终的业务出现正负比例随着时间(或其他因素)变化，那么选择ROC-AUC。比如点击率预估

参考文献

精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么？
pr-curve
机器学习之类别不平衡问题 (2) —— ROC和PR曲线
分类问题模型的评估
如何理解机器学习和统计中的AUC？
评估分类模型
AUC计算方法总结