【拜小白的机器学习】4-机器学习的评估方法

在进行机器学习常常需要处理的一个问题是划分测试集和训练集。训练集用于训练模型，测试集则是根据训练集的训练结果来评判最终的训练效果。当我们手中没有未知的样本，那么如何进行可靠地评估呢？

这里的关键是：在现有的数据集合中获得可靠的“测试集数据”。这里有一个标准，就是测试集（用于评估）应该与训练集（用于学习）尽可能保持“互斥”。

常用的数据集划分方法有一下几种：

• 留出法（hold-out）
• 交叉验证法（k-fold cross validation）
• 自助法（bootstrap）

=================分割线==============

一、为什么要分开训练集与测试集

在机器学习中，我们是依靠对学习器的泛化误差进行评估的方法来选择学习器。具体方法如下：我们需要从训练集数据中产出学习器，再用测试集来测试所得学习器对新样本的判别能力，以测试集上的测试误差作为泛化误差的近似，来选取学习器。

通常我们假设训练集、测试集都是从样本集中独立同分布采样得到，且测试集、训练集中的样本应该尽可能互斥（测试集中的样本尽量不在训练集中有出现、尽量不在训练过程中被使用）。

测试样本为什么要尽可能不出现在训练集中呢？好比老师出了10道练习题给大家做，考试时候又用这10道练习题考试，这个考试成绩显然“过于乐观”，不能真实的反映同学的学习情况。我们是希望得到泛化性能强的模型，好比同学做完10道练习题能“举一反三”。

===============分割线====================

二、从样本集分得训练集、测试集的具体方法

当我们只有一个包含m个样例的样本集D={（x1,y1）,（x2,y2）,…,（xm,ym）}，既要训练又要测试，我们就要对D进行适当处理，从中产出训练集S、测试集T。

1.留出法（hold out）

留出法（hold out）：将全量数据集 D 划分为训练集 S 和测试集 T。

注意点：

• 保存数据分布一致性：即在划分数据集时，训练集 S 和测试集 T 中的类别比例要跟数据集 D 中的类别比例相似。（例如：分层采样）

• 多次重复划分（例如：100次随机划分）

• 测试集不能太大、不能太小（例如：为全量数据集的1/5~1/3）

===============分割线================

2.K折交叉验证（k-fold cross validation）

K折交叉验证（k-fold cross validation）

1. 该方法先将数据集D划分为k个大小相似的互斥子集（即D = D1 or D2 or…or Di ），每个子集Di 在划分的时候应该保持数据分布的一致性，即从D中分层采样得到。
2. 然后每次用k-1个子集的并集作为训练集，余下一个子集作为测试集，这样就可以获得k组训练/测试集。
3. 进行k次训练和测试，返回k个测试结果的平均值。

注意点：

• 每份数据（数据子集）划分方式跟留出法一样，都尽可能保持数据分布的一致性，即从 D 中通过分层采样得到。
• 交叉验证法评估结果的稳定性和保真性很大程度上取决于k的取值。为强调这一点，通常交叉验证法也称为“k折交叉验证”。k常用取10，称为10折交叉验证；其他k值有5、20等。
• 与留出法相似，将样本集D划分为k个子集同样存在多种划分方式，为减小因样本划分不同而引入的误差，k折交叉验证通常要随机使用不同的划分重复p次，最终评估结果是这p次k折交叉验证结果的均值（例如10次10折交叉验证）。
• 如果样本集D包含m个样本，令k=m，就可以得到交叉验证法的特例——留一法（leave-one-out 简称LOO)：留一法不受随机样本划分方式的影响，每个子集只包含一个样本，而使用的训练集与样本集只差一个样本，所以训练出来的模型与D的模型很相似。缺点在于如果样本集很大——100万条样本，就要训练出100万个学习器。

总结：我们理想中希望评估的是用样本集D训练出来的模型，但在留出法、交叉验证法中，由于都需要保留一部分样本用做测试，因此实际评估的模型所用的训练集比D小，这就必然引入误差。留一法受训练样本规模变化影响最小，但是计算复杂度高。下面介绍的方法既可减少训练样本规模不同造成的影响，又可比较高效的进行实验评估。 

===================分割线=============================

3.自助法（bootstrap）

自助法（bootstrap）：是一种基于“自助采样”的方法（bootstrap sampling），别称“有放回采样”、“可重复采样”。

假设样本集D包含m个样本，我们通过采样产生训练集d，具体方法如下：

1. 每次随机从样本集D中选一个样本，拷贝加入训练集d中，再将该样本放回原样本集D，使得这个样本下次还有可能被采集到。
2. 重复上述过程m次，我们就得到一个包含m个样本的训练集d。
3. 剩下的样本（D - d）作为测试集。

注意点：

显然样本集D中一部分样本会在训练集d里多次出现，而另一部分样本不出现，这样的训练集d有2个特征：1.训练集与原样本集同规模；2.数据分布有所改变。

经计算，一个样本在m次采样始终不被采到的概率约为36.8%。将没有出现的样本就作为测试集，这样的测试结果，亦称为“包外估计”。

==============分割线=====================

总结：

留出法与交叉验证法都是使用分层采样的方式进行数据采样与划分，而自助法则是使用有放回重复采样的方式进行数据采样。

自助法在样本集D较小、难以有效划分训练/测试集时很有用。此外，自助法从初始样本集D中产生多个不同的训练集，这对集成学习等方法很有用。

然而，自助法产生的训练集改变了初始样本集的分布，这会引入估计误差。因此，当初始样本集足够时，留出法和交叉验证法更常用一些。

对于数据集小且可有效划分的时候最好使用留一法来进行划分，因为这种方法最为准确。

=================分割线================

参考文献;

机器学习中，从样本集合分得训练集、测试集的三种方法

机器学习模型性能评估方法笔记

机器学习模型评估方法

=================END==================