04. 分类模型的评估

1. 准确率

• estimator.score(): 一般最常见使用的是准确率，即预测结果正确的百分比

2. 混淆矩阵

• 在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类)

            （预测结果）        正例        假例

（真实结果）

正例                            TP          FN
    
假例                            FP          TN

3. 精确率：预测结果为正例样本中真实为正例的比例（查的准）

4. 召回率：真实为正例的样本中预测结果为正例的比例（查的全， 对正样本的区分能力）

5. 其他的分类标准， F1-score， 反映了模型的稳健性 F1 = 2 * Precision * Recall / (Precision + Recall)

• 在提高召回率的时候，有没有把其他的预测错误

6. 分类模型评估API

sklearn.metrics.classification_report

7. 代码实现

from sklearn.metrics import classification_report

print("每个类别的精确率和召回率", classification_report(y_test, y_predict, target_names=news.target_names))

8. 模型的选择与调优

8.1. 交叉验证

• 为了让被评估的模型更加准确可信
• 将拿到的训练集数据，分为训练和验证集。例如：将数据分成5份，其中一份作为验证集。然后经过5次(组)的测试，每次都更换不同的验证集。即得到5组模型的结果，取平均值作为最终结果。又称5折交叉验证。

8.2. 超参数搜索-网格搜索

• 调参数， K-近邻： 超参数K
• 通常情况下，有很多参数是需要手动指定的（如k-近邻算法中的K值），这种叫超参数。但是手动过程繁杂，所以需要对模型预设几种超参数组
  合。每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建立模型。

8.3. 超参数搜索-网格搜索API

• sklearn.model_selection.GridSearchCV(estimator,param_grid=None,cv=None)

  • 对估计器的指定参数值进行详尽搜索
  • estimator：估计器对象
  • param_grid：估计器参数(dict){“n_neighbors”:[1,3,5]}
  • cv：指定几折交叉验证
  • fit：输入训练数据
  • score：准确率

• 结果分析：

  • best_score_:在交叉验证中测试的最好结果
  • best_estimator_：最好的参数模型
  • cv_results_:每次交叉验证后的验证集准确率结果和训练集准确率结果

8.4. k-近邻算法案例改成网格搜索

from sklearn.neighbors import KNeighborsClassifier
import pandas as pd
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.preprocessing import StandardScaler

# 读取数据
data = pd.read_csv("./data/FBlocation/train.csv")

# 处理数据
# 1. 缩小数据， 查询数据筛选
data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")

# 把时间戳特征转换成更细的特征
time_value = pd.to_datetime(data['time'], unit='s')
# 把日期格式转换成字典格式
time_value = pd.DatetimeIndex(time_value)
data['day'] = time_value.day
data['hour'] = time_value.hour
data['weekday'] = time_value.weekday
# 删除时间戳特征
data = data.drop('time', axis=1)

# 删除签到数量少于3个的位置
place_count = data.groupby('place_id').count()
tf = place_count[place_count.row_id > 3].reset_index()

# 选择data中符合条件的签到位置信息
data = data[data['place_id'].isin(tf.place_id)]

# 分离数据当中的特征值和目标值
y = data['place_id']
x = data.drop(['row_id','place_id'], axis=1)
# 进行数据的分割，训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)

# 特征工程
std = StandardScaler()
# 要对训练集和测试集的特征值进行标准化， 目标值不需要了，因为目标值是找类别呢
x_train = std.fit_transform(x_train)
# 对测试集直接transform就行了
x_test = std.transform(x_test)

# 进行算法流程
knn = KNeighborsClassifier()
# 构造一些参数的值进行搜索
param = {"n_neighbors":[3, 5, 10]}
# 进行网格搜索cv一般取cv=10
gc = GridSearchCV(knn, param_grid=param, cv=2)
gc.fit(x_train, y_train)

print("在测试集上的准去率:",gc.score(x_test, y_test))
print("在交叉验证当中最好的结果:", gc.best_score_)
print("选择的最好模型是:", gc.best_estimator_)
print("每个超参数每次交叉验证的结果:",gc.cv_results_)