第2章 模型评估与选择·
2.1 经验误差与过拟合
错误率：分类错误的样本数占总样本数的比例
精度：1-错误率
过拟合：学习器把训练样本学的太好，甚至把训练样本的特点当做了潜在样本的一般性质，导致泛化性能下降的现象。
引起过拟合的因素一般是学习能力太过强大。
欠拟合：对训练样本的一般性质没有学习好。
引起欠拟合的因素一般是学习能力低下。
对候选模型的评估方法，对泛化误差进行评估，并选取泛化误差的最小的。由于无法直接获得泛化误差，需要选择一定的评估方法。
2.2 评估方法
需要建立测试集(testing set)，将模型在测试集上测试误差(testing error)作为泛化误差的近似。
2.2.1 留出法
操作方法
将数据集D划分为两个互斥的集合，其中一个作为训练集S，另外一个作为测试集T。在S训练完后，在T上进行测试，得到测试误差，作为泛化误差的近似。
注意事项
- 测试集和训练集划分尽可能保持数据分布的一致性，避免因为数据集划分引入额外偏差而带来影响，在采样的时候使用分层采样的方法。
- 由于样本划分的不同，单次使用留出法得到的结果往往不够稳定可靠，需要随机划分，反复试验后取平均值作为最后的结果。
2.2.2 交叉验证法
操作方法
交叉验证法首项将数据集D划分为k个大小相似的互斥子集，每个子集尽可能保持数据分布一致(分层采样)。将其中的k-1个子集作为训练集，剩余一个子集作为测试集。将每个子集均做为测试集进行一次(共k次)交叉验证法，又称为k折交叉验证。
注意事项
- 与留出法相同，通常要将随机使用不同的划分p次，将p次的结果取平均值作为p次k折交叉验证的最终结果。
- 特别的，若k等于数据集中样本总数，即可得到留一法，留一法中被实际评估的模型与期望评估模型用数据集D训练处的模型很相似，但是计算开销很大。
2.2.3 自助法
操作方法
给定一个包含m个样本的数据集D，每次从中挑选一个样本拷贝进D‘，执行m次后，可以得到一个包含m个样本的数据集D’。若执行次数无限多，那么大概有 1 e \frac{1}{e} e1的样本始终没有被选择到。将D’作为训练集，将D\D’作为作为测试集。这样的测试结果，也作为包外估计。
注意事项
- 自助法在数据集较小，难以划分训练集和测试集是很有用。
2.2.4 参数调节与最终模型
参数调节
对每个参数选定一个范围和变化步长，例如在[0,0.2]范围内以0.05作为步长，从候选值中选出定值。假定算法有3个参数，每个参数仅考虑5个候选值，这样就有 5 3 = 125 5^3=125 53=125个模型进行考察。
最终模型
在学习算法和参数配置已经选定后，应该用数据集D重新训练整个模型，在训练中需要使用数据集中所有的m个样本。
2.3 性能度量
用于衡量模型泛化能力的评价标准，就是性能度量。
在回归模型中，常用的性能度量是均方误差(mean squared error)
E ( f ; d ) = 1 m ( f ( x i ) − y i ) 2 E(f;d) = \frac{1}{m}(f(x_i)-y_i)^2 E(f;d)=m1(f(xi)−yi)2
当给定数据分布 D D D和概率密度函数 p ( ⋅ ) p(·) p(⋅)，均方误差可以描述为
E ( f ; D ) = ∫ x ∼ D ( f ( x ) − y ) 2 p ( x ) d x E(f;D) = \int_{x \sim D}(f(x)-y)^2p(x)dx E(f;D)=∫x∼D(f(x)−y)2p(x)dx
个人的直观理解为，已知数据集中每个数据出现的概率，可以求出模型对于数据的均方误差。
2.3.1 错误率与精度
错误率
对于分类任务来说，可以认为是分类错误的样本数占样本总数的比例
E
(
f
;
D
)
=
1
m
∑
i
=
1
m
I
(
f
(
x
i
)
≠
y
i
)
E(f;D)=\frac{1}{m} \sum_{i=1}^{m} \mathbb I(f(x_i) \ne y_i)
E(f;D)=m1∑i=1mI(f(xi)̸=yi)
对于给定数据分布，可以认为
E
(
f
;
D
)
=
∫
x
∼
D
I
(
f
(
x
i
)
≠
y
i
)
p
(
x
)
d
x
E(f;D)=\int_{x \sim D}\mathbb I(f(x_i) \ne y_i)p(x)dx
E(f;D)=∫x∼DI(f(xi)̸=yi)p(x)dx
精度
a
c
c
(
f
;
D
)
=
1
m
∑
i
=
1
m
I
(
f
(
x
i
)
=
y
i
)
acc(f;D) = \frac{1}{m} \sum_{i=1}^{m} \mathbb I(f(x_i) = y_i)
acc(f;D)=m1∑i=1mI(f(xi)=yi)
给定数据分布，可以认为
E
(
f
;
D
)
=
∫
x
∼
D
I
(
f
(
x
i
)
=
y
i
)
p
(
x
)
d
x
E(f;D)=\int_{x \sim D}\mathbb I(f(x_i) = y_i)p(x)dx
E(f;D)=∫x∼DI(f(xi)=yi)p(x)dx
KaTeX parse error: Expected 'EOF', got '\romannumeral' at position 1: \̲r̲o̲m̲a̲n̲n̲u̲m̲e̲r̲a̲l̲1
2.3.2 查准率，查全率与F1
对于二分类问题，可以将样例根据其真实类别与学习器预测类别的组合划分为：真正例(true positive)、假正例(false positive)、真反例(true negative)、假反例(false negative)四种情况，用TP、FP、TN、FN代表四种情况，显然可得TP + FP + FN + TN = 总样本数。
TP：本身为正例，预测结果也为正例。
FP：本身为反例，预测结果为正例。
TN：本身为反例，预测结果也为反例。
FN：本身为正例，预测结果为反例。
查准率：
P
=
T
P
T
P
+
F
P
P = \frac{TP}{TP+FP}
P=TP+FPTP
查全率：
R
=
T
P
T
P
+
F
N
R = \frac{TP}{TP+FN}
R=TP+FNTP
可以这样理解，我们观察到的肯定是模型的输出结果，准确的应该是TP，但是由于模型精确度不够高，有些反例也被当做正例，也就是FP，故查准率应该是TP占TP和FP的百分比。从另一方面来讲，我们想要了解到正例在分类中的出现情况，然而有些正例被当做反例输出出来了，即FN，所以查全率是TP占TP和FN的百分比。
这一对度量是相互矛盾的，即查准率高的时候，查全率往往偏低，查全率高的时候，查准率往往偏低。
关于P-R曲线，个人觉的西瓜书上讲解的不是很清楚，可以参考这篇博客
有几点觉得还是值得注意的
- P-R曲线可能会过(0,0)点。如当第一个样本本身为反例，预测结果也为反例的时候，此时TP=0，故P=R=0。不过这样情况发生概率较小，若排序后第一个样本不能正确预测，那么学习模型和可能出线了问题。
- 最理想的PR曲线是一个矩形，即学习模型找到一条分界线，成功将数据集分为TP和TN。
- 若一条PR曲线完全包含另外一条PR曲线，则认为前者更优，若交叉，则可通过平衡点(Break-Even Point)、面积来判断孰优孰劣。BEP和面积都是越大越好。
F1度量
F 1 = 2 × P × R P × R = 2 × T P 样 例 总 数 + T P − T N F1 = \frac{2 × P × R}{P×R}= \frac{2×TP}{样例总数+ TP-TN} F1=P×R2×P×R=样例总数+TP−TN2×TP
F β F_{\beta} Fβ度量
F
β
=
(
1
+
β
2
)
P
R
(
β
2
P
)
+
R
F_{\beta} = \frac{(1+\beta^2)PR}{(\beta^2P) + R}
Fβ=(β2P)+R(1+β2)PR
其中
β
\beta
β表示查全率相对于查准率的重要性，
β
>
1
\beta>1
β>1时查全率有更大的影响，
β
<
1
\beta<1
β<1时查准率有更大的影响。
在面对多分类问题的时候，可以选择计算两两类别之间的混淆矩阵，进而得到两两数据之间的P和R，对P和R求平均值可以得宏查准率和宏查全率。也可以计算两两类别之间的混淆矩阵，对混淆矩阵求平均值，进而得到微查准率和微查全率。
扫一扫
1074
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
