第2章 模型评估与选择

2.1经验误差与过拟合

错误率 = a个样本分类错误/m个样本

精度 = 1 - 错误率

误差：学习器实际预测输出与样本的真是输出之间的差异。

训练误差：即经验误差。学习器在训练集上的误差。

泛化误差：学习器在新样本上的误差。

 

过拟合：学习器把训练样本学的”太好”，把不太一般的特性学到了，泛化能力下降，对新样本的判别能力差。必然存在，无法彻底避免，只能够减小过拟合风险。

欠拟合：对训练样本的一半性质尚未学好。

2.2评估方法

(在现实任务中，还需考虑时间、存储空间等开销，和其他因此。这里只考虑泛化误差。)

用一个测试集来测试学习其对新样本的判别能力，然后以测试集上的测试误差作为泛化误差的近似。

 

在只有一个包含m个样例的数据集D，从中产生训练集S和测试集T。

2.2.1留出法

D分为两个互斥的集合，一个作为S，一个作为T。

分层采样：S和T中正例和反例比例一样。

例如D包含500个正例，500反例。分层采样获得含70%样本的S，有350正例，350反例；30%样本的T，有150正例，150反例。

 

一般采用随机划分、重复进行实验评估后取平均值作为留出法的评估结果。

例如，进行100次随机划分，每次产生一个训练/测试集用于实验评估，100次后得到100个结果，而留出法返回的则是这100个结果的平均。

 

弊端：T比较小，评估结果不够稳定准确，偏差大。

常见将大约2/3~4/5的样本用于训练，剩余样本用于测试。

 

2.2.2交叉验证法

将D划分为k个大小相似的互斥子集。(D通过分层采样得到每个子集Di,保持数据分布一致性)。每次用k-1个子集的并集作为训练集，余下那个作测试集。即可获得K组训练/测试集，进行K次训练和测试，最终返回k个测试结果的均值。也称”k折交叉验证”。

为减小因样本划分不同而引入的差别，k折交叉验证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，即进行p*k次训练/测试。

 

留一法：m个样本划分成m个子集，每个子集包含一个样本。留一法中被实际评估的模型与期望评估的用D训练出来的模型很相似，因此，留一法的评估结果往往被认为比较准确。

留一法缺陷：数据集较大，例如，数据集包含100w个样本，则需训练100w个模型。且留一法的估计结果未必比其他评估法准确。

 

2.2.3自助法

从m个样本的数据集D，随机采样(选)一个样本，拷贝入训练D’，放回，继续随机挑选，直至m次。

样本在m次采样中始终不被踩到的概率(1-1/m)^m。

　　

实际评估的模型与期望评估的模型都使用m个训练样本，而仍有约1/3的没有在训练集的样本用于测试。

自助法在数据集较小、难以有效划分训练/测试集时很有用。在初始数据量足够时，留出法和交叉验证法更常用。

 

2.2.4调参与最终模型

①选择适合的学习算法

②对算法参数进行设定，调参

 

2.3性能度量

性能度量：衡量模型泛化能力的评价标准。

给定样例集D={(x1,y1),(x2,y2),……,(xm,ym)},yi是对xi的真实标记，要评估学习器f的性能，就要把学习器预测结果f(x)与真实标记y进行比较。

均方误差：

 　　

数据分布D和概率密度函数p(.),均方误差：

　　

2.3.1错误率与精度

错误率：分类错误的样本数占样本总数的比例。

　　

精度：分类正确的样本数占样本总数的比例。

　　

数据分布D和概率密度函数p(.)。

错误率：

　　

精度：

　　

2.3.2查准率、查全率与F1

二分类

True positive 真正例

False positive 假正例

True negative 真反例

False negative 假反例

TP+FP+TN+FN = 样例总数

①查准率P

　　

查全率R

　　

通常，查准率高时，查全率偏低；查全率高时，查准率偏低。

例如，若希望好瓜尽可能的挑选出来，则可通过增加选瓜的数量来实现，查准率就会低；

若希望