评估方法
数据足够时,用留出法和交叉验证
数据量少时,用自助法
性能度量
错误率和精度
都是针对全部样本而言。
注意区分精度和精确率!
错误率:分类错误的样本占样本总数的比例
精度(准确率):分类正确的样本占样本总数的比例
关系:和为1
查准率、查全率、F1
混淆矩阵
真实情况 | 预测结果 | |
正例 | 反例 | |
正例 | TP | FN |
反例 | FP | TN |
注:无论TF还是PN都是根据预测结果而言的。预测为正负有PN,预测对错有TF。
查准率(精确率) :预测为正例的里面有多少是真的正例。精确率是针对预测结果而言的。
P
=
T
P
T
P
+
F
P
P=\frac{TP}{TP+FP}
P=TP+FPTP
查全率 (召回率):真实为正的里面有多少是预测对了。召回率是针对原来的样本而言的。
R
=
T
P
T
P
+
F
N
R=\frac{TP}{TP+FN}
R=TP+FNTP
关系:分母不同,一个是真实为正,一个是预测为正。
负相关。因为如果需要准确率高,就只挑正的可能性大的样本,注定挑出的正样本数不会很多。如果要召回率高,就尽量挑出所有样本,这样就会包括了所有正样本
根据上述关系,可以得"P-R"曲线
平衡点:与 y = x y = x y=x 的交点。
f
1
=
2
×
P
×
R
P
+
R
f_1 =\frac{2 \times P \times R}{P + R}
f1=P+R2×P×R
是调和平均
补充:关于多元的weightRecall、weightPrecision,f1
都乘以每一类的权重,即把某类当成正类时,乘以该类权重。
P = T P T P + F P × T P + F N T P + F P + T N + F P + T N T N + F N × F P + T N T P + F P + T N + F P P=\frac{TP}{TP+FP} \times \frac{TP+FN}{TP+FP+TN+FP} +\frac{TN}{TN+FN} \times \frac{FP+TN}{TP+FP+TN+FP} P=TP+FPTP×TP+FP+TN+FPTP+FN+TN+FNTN×TP+FP+TN+FPFP+TN
R = T P T P + F N × T P + F N T P + F P + T N + F P + T N T N + F P × F P + T N T P + F P + T N + F P R=\frac{TP}{TP+FN} \times \frac{TP+FN}{TP+FP+TN+FP} +\frac{TN}{TN+FP} \times \frac{FP+TN}{TP+FP+TN+FP} R=TP+FNTP×TP+FP+TN+FPTP+FN+TN+FPTN×TP+FP+TN+FPFP+TN
f 1 = f 1 11 × T P + F N T P + F P + T N + F P + f 1 00 × F P + T N T P + F P + T N + F P f_1=f^{11}_1 \times \frac{TP+FN}{TP+FP+TN+FP} +f^{00}_1 \times \frac{FP+TN}{TP+FP+TN+FP} f1=f111×TP+FP+TN+FPTP+FN+f100×TP+FP+TN+FPFP+TN
ROC、AUC
真正例率:真正例中预测正例的比例
T
P
R
=
T
P
T
P
+
F
N
TPR=\frac{TP}{TP+FN}
TPR=TP+FNTP
假正例率:真反例中预测正例的比例
F
P
R
=
F
P
T
N
+
F
P
FPR=\frac{FP}{TN+FP}
FPR=TN+FPFP
总结对比:
1.P-R曲线和ROC曲线的坐标轴都有一项是真正占实正的比例,另一项一个是真正/预正,一个是假正/实负。
2.P-R负相关,ROC正相关
有限样本计算横纵坐标只能得到折线
代价敏感错误率、代价函数
FP.TN的代价取不同
比较检验
通过假设检验(二项检验、t检验)、交叉验证t检验、McNemar检验、Friedman检验、Nemenyi检验等来比较学习器性能
偏差、方差
偏差-方差窘境