机器学习算法中有一个非常重要的知识点——分类(classification),即找一个函数判断输入数据所属的类别,可以是二类别(是/不是),也可以是多类别问题(在多个类别中判断输入数据具体属于哪一个类别)。与回归问题(regression)相比,分类问题的输出不再是连续值,而是离散值,用来指定其属于哪个类别。分类问题在现实中应用非常广泛,比如人脸识别、语音识别、手写数字识别、垃圾邮件识别等等。
分类大致有七部分内容组成,在下图图一中将其分别列出。
一、指定阈值
逻辑回归返回的概率。你可以“原样”使用返回的概率(比如说,用户点击此广告的概率为0.00023),也可以将返回的概率转换成二元值(比如说,这封电子邮件是垃圾邮件)。
如果某个逻辑回归模型对某封电子邮件进行预测时返回的概率为0.9995,则表示该模型预测这封邮件非常可能是垃圾邮件。相反,在同一逻辑回归模型中预测分数为0.0003的另一封电子邮件很可能不是垃圾邮件。但是如果说某封电子邮件的预测分数为0.6呢?为了将逻辑回归值映射到二元类别,你必须指定分类阈值(也称为判定阈值)。如果值高于该阈值,则表示“垃圾邮件”;如果值低于该阈值,则表示“非垃圾邮件”。我们往往会认为分类阈值应始终为0.5,但阈值取决于具体问题,因此你必须对其进行调整。
对于分类模型的预测进行评估的指标,以