重点！11个重要的机器学习模型评估指标

全文共8139字，预计学习时长16分钟

构建机器学习模型的想法应基于建设性的反馈原则。你可以构建模型，从指标得到反馈，不断改进，直到达到理想的准确度。评估指标能体现模型的运转情况。评估指标的一个重要作用在于能够区分众多模型的结果。

很多分析师和数据科学家甚至都不愿意去检查其模型的鲁棒性。一旦完成了模型的构建，他们就会急忙将预测值应用到不可见的数据上。这种方法不正确。

我们的目的不能是简单地构建一个预测模型。目的是关于创建和选择一个对样本以外数据也能做到高精度的模型。因此，在计算预测值之前，检查模型的准确性至关重要。

在这个行业中，大家会考虑用不同类型的指标来评估模型。指标的选择完全取决于模型的类型和执行模型的计划。

模型构建完成后，这11个指标将帮助评估模型的准确性。考虑到交叉验证的日益普及和重要性，本文中也提到了它的一些原理。

预测模型的类型

说到预测模型，大家谈论的要么是回归模型（连续输出），要么是分类模型（离散输出或二进制输出）。每种模型中使用的评估指标都不同。

在分类问题中，一般使用两种类型的算法（取决于其创建的输出类型）：

1.类输出：SVM和KNN等算法创建类输出。例如，在二进制分类问题中，输出值将为0或1。但如今，有算法可以将这些类输出转换为概率输出。但是，统计圈并不是很乐意接受这些算法。

2.概率输出：逻辑回归( Logistic Regression )，随机森林( Random Forest )，梯度递增( Gradient Boosting )，Adaboost等算法会产生概率输出。将概率输出转换为类输出只是创建一个阈值概率的问题。

在回归问题中，输出时不会出现这种不一致性。输出本来就是一直连续的，不需要进一步处理。

例证

关于分类模型评估指标的讨论，笔者已在Kaggle平台上对BCI挑战做了预测。问题的解决方案超出了此处讨论的范围。但是，本文引用了训练集的最终预测。通过概率输出预测该问题，假设阈值为0.5的情况下，将概率输出转换为类输出。

1. 混淆矩阵

混淆矩阵是一个N×N矩阵，N是预测的类的数量。针对目前的问题，有N = 2，因此得到一个2×2的矩阵。你需要记住以下这些关于混淆矩阵的定义：

· 准确性：正确预测的结果占总预测值的比重

· 阳性预测值或查准率：预测结果是正例的所有结果中，正确模型预测的比例

· 阴性预测值：预测结果是负例的所有结果中，错误模型预测的比例。

· 敏感度或查全率 ：在真实值是正例的结果中，正确模型预测的比重。

· 特异度：在真实值是负例的所有结果中，正确模型预测的比重。

目前案例的准确率达到88％。从以上两个表中可以看出，阳性预测值很高，但阴性预测值很低，而敏感度和特异度一样。这主要由选择的阈值所造成，如果降低阈值，两对截然不同的数字将更接近。

通常，大家关注上面定义的指标中的一项。例如，一家制药公司，更关心的是最小错误阳性诊断。因此，他们会更关注高特异度。另一方面，消耗模型会更注重敏感度。混淆矩阵通常仅用于类输出模型。

2. F1分数

在上一节中，讨论了分类问题的查准率和查全率，也强调了在用例中选择查准率和查全率的重要性。如果对于一个用例，想要试图同时获得最佳查准率和查全率呢？F1-Score是分类问题查准率和查全率的调和平均值。其公式如下：

现在，一个显而易见的问题是，为什么采用调和平均值而不是算术平均值呢？这是因为调和平均值可以解决更多极值。通过一个例子来理解这一点。有一个二进制分类模型的结果如下：

查准率：0，查全率：1

这里，如果采用算术平均值，得到的结果是0.5。很明显，上面的结果是一个“傻子”分类器处理的，忽略了输入，仅将其预测的其中一个类作为输出。现在，如果要取调和平均值，得到的结果就会是0，这是准确的，因为这个模型对于所有的目的来说都是无用的。

这看似很简单。然而在有些情况下，数据科学家更关心查准率和查全率的问题。稍稍改变上面的表达式，包含一个可调参数β来实现该目的，得出：

Fbeta衡量模型对用户的有效性，用户对查全率的重