二、模型评估

模型评估主要分为离线评估和在线评估两个阶段。针对分类、排序、回归、 序列预测等不同类型的机器学习问题，评估指标的选择也有所不同。知道每种评估指标的精确定义、有针对性地选择合适的评估指标、根据评估指标的反馈进行模型调整，这些都是机器学习在模型评估阶段的关键问题，也是一名合格的算法工程师应当具备的基本功。

分类问题常用的评估指标：

介绍常用平指标之前，我们先做如下的定义：

准确率(accuracy)：准确率是指分类正确的样本占总样本个数的比例，(TP+TN)/(P+N)。
精确率（precision）：预测为正，真实为正的样本数占所有预测为正的样本的比例，TP/(TP+FP)。
召回率：预测为正，真实为正的样本数占所有正样本个数的比例，TP/(TP+FN)。
真阳性率：真阳性率和召回率其实是一个东西，只是在PR曲线里叫召回率，在ROC曲线里叫真阳性率，TP/(TP+FN)。
假阳性率：预测为正，真实为负的样本数占所有负样本个数的比例，FP/(TN+FP)。

评估指标的局限性

准确率(accuracy)的局限性

准确率是分类问题中最简单也是最直观的评价指标，但存在明显的缺陷。比如，当负样本占99%时，分类器把所有样本都预测为负样本也可以获得99%的准确率。所以，当不同类别的样本比例非常不均衡时，占比大的类别往往成为影响准确率的最主要因素。 为了解决这个问题，可以使用更为有效的平均准确率（每个类别下的样本准确率的算术平均）作为模型评估的指标。

精确率（precision）与召回率的权衡

在排序问题中，通常是采用Top N返回结果的Precision值和Recall值来衡量排序模型的性能，即认为模型返回的Top N的结果就是模型判定的正样本，然后计算前N个位置上的准确率Precision@N和前N个位置上的召回率Recall@N。
Precision值和Recall值是既矛盾又统一的两个指标，为了提高Precision值，分类器需要尽量在“更有把握”时才把样本预测为正样本，但此时往往会因为过于保守而漏掉很多“没有把握”的正样本，导致Recall值降低。我们可以考虑一种极端的情况：有100个相关样本，其中50个正样本，50个负样本。现在我们的模型将所有样本都预测为正样本，那么模型的召回率达到了 100%，但是精确率仅仅是50%。所以，为了综合评估一个排序模型的好坏，最好绘制出模型的P-R曲线。

P-R曲线

P-R曲线的横轴是召回率，纵轴是精确率。对于一个排序模型来说，其P-R曲线上的一个点代表着，在某一阈值下，模型将大于该阈值的结果判定为正样本， 小于该阈值的结果判定为负样本，此时返回结果对应的召回率和精确率。整条P-R 曲线是通过将阈值从高到低移动而生成的。下图是P-R曲线样例图，其中实线代表模型A的P-R曲线，虚线代表模型B的P-R曲线。原点附近代表当阈值最大时模型的精确率和召回率。

F1score

除此了P-R曲线之外，F1score也能综合地反映一个排序模型的性能。F1score是精准率和召回率的调和平均值，它定义为

ROC曲线

ROC曲线是Receiver Operating Characteristic Curve的简称，中文名为“受试者工作特征曲线”。ROC曲线源于军事领域，而后在医学领域应用甚广，“受试者工作特征曲线”这一名称也正是来自于医学领域。
ROC曲线的横坐标为假阳性率（FPR）；纵坐标为真阳性率（TPR）。FPR和TPR的计算方法分别为

上式中，P是真实的正样本的数量，N是真实的负样本的数量，TP是P个正样本中被分类器预测为正样本的个数，FP是N个负样本中被分类器预测为正样本的个数。

如何绘制P-R,ROC曲线

在二值分类问题中，模型的输出一般都是预测样本为正例的概率，在输出最终的正例、负例之前，我们需要指定一个阈值，预测概率大于该阈值的样本会被判为正例，小于该阈值的样本则会被判为负例。通过动态地调整截阈值，从最高的得分开始（实际上是从正无穷开始，对应 着ROC曲线的零点），逐渐调整到最低得分，每一个点都会对应一个FPR和 TPR，在ROC图上绘制出每个截断点对应的位置，再连接所有点就得到最终的 ROC曲线。

就本例来说，当阈值选择为正无穷时，模型把全部样本预测为负例，那么FP和TP必然都为0，FPR和TPR也都为0，因此曲线的第一个点的坐标就是 （0,0）。当把截断点调整为0.9时，模型预测1号样本为正样本，并且该样本确实是正样本，因此，TP=1，20个样本中，所有正例数量为P=10， 故TPR=TP/P=1/10；这里没有预测错的正样本，即FP=0，负样本总数N=10， 故FPR=FP/N=0/10=0，对应ROC曲线上的点（0,0.1）。依次调整截断点，直到画出全部的关键点，再连接关键点即得到最终的ROC曲线，如图所示。

如何计算AUC

顾名思义，AUC指的是ROC曲线下的面积大小，该值能够量化地反映基于 ROC曲线衡量出的模型性能。计算AUC值只需要沿着ROC横轴做积分就可以了。 由于ROC曲线一般都处于y=x这条直线的上方（如果不是的话，只要把模型预测的 概率反转成1−p就可以得到一个更好的分类器），所以AUC的取值一般在0.5～1之 间。AUC越大，说明分类器越可能把真正的正样本排在前面，分类性能越好。

ROC与P-R的区别

相比 P-R曲线，ROC曲线有一个特点，当正负样本的分布发生变化时，ROC曲线的形状 能够基本保持不变，而P-R曲线的形状一般会发生较剧烈的变化。
举例来说，图是ROC曲线和P-R曲线的对比图，其中图（a）和图（c）是ROC曲线，图（b）和图（d）是P-R曲线，图（c）和图（d）则是将测试集中的负样本数量增加10倍后的曲线图。

可以看出，P-R曲线发生了明显的变化，而ROC曲线形状基本不变。这个特点让ROC曲线能够尽量降低不同测试集带来的干扰，更加客观地衡量模型本身的性能。这有什么实际意义呢？
在很多实际问题中，正负样本数量往往很不均衡。比如，计算广告领域经常涉及转化率模型，正样本的数量往往是负样本数量的1/1000 甚至1/10000。若选择不同的测试集，P-R曲线的变化就会非常大，而ROC曲线则能够更加稳定地反映模型本身的好坏。所以，ROC曲线的适用场景更多，被广泛用于排序、推荐、广告等领域。但需要注意的是，选择P-R曲线还是ROC曲线是因实际问题而异的，如果研究者希望更多地看到模型在特定数据集上的表现，P-R曲 线则能够更直观地反映其性能。

回归问题常用的评估指标

平均绝对误差（MAE）

平均绝对误差（Mean Absolute Error）,观测值与真实值的误差绝对值的平均值。公式为：

平方误差（MSE）

平方根误差（RMSE）

RMSE经常被用来衡量回归模型的好坏，先看一下RMSE的计算公式：

但是RMSE指标有时会失效，比如：我们希望构建一个回归模型来预测某部美剧的流量趋势，无论采用哪种回归模型，得到的RMSE指标都非常高。然而，模型在绝大多数情况下都取得了相当不错的预测结果。那么，造成RMSE指标居高不下的最可能的原因是什么？这很可能是由于存在非常严重的离群点。事实上，在流量预估这个问题中，噪声点确实是很容易产生的，比如流量特别小的美剧、刚上映的美剧或者刚获奖的美剧，甚至一些相关社交媒体突发事件带来的流量，都可能会造成离群点。

平均绝对百分比误差（MAPE）

针对这个问题，有什么解决方案呢？可以从三个角度来思考。
第一，如果我们认定这些离群点是“噪声点”的话，就需要在数据预处理的阶段把这些噪声点过滤掉。
第二，如果不认为这些离群点是“噪声点”的话，就需要进一步提高模型的预测能力，将离群点产生的机制建模进去。
第三，可以找一个更合适的指标来评估该模型。比如平均绝对百分比误差（Mean Absolute Percent Error，MAPE），它定义为

相比RMSE，MAPE相当于把每个点的误差进行了归一化，降低了个别离群点带来的绝对误差的影响。

余弦距离的应用

在机器学习问题中，通常将特征表示为向量的形式，所以在分析两个特征向量之间的相似性时，常使用余弦相似度来表示。余弦相似度的取值范围是[−1,1]， 相同的两个向量之间的相似度为1。如果希望得到类似于距离的表示，将1减去余弦相似度即为余弦距离。因此，余弦距离的取值范围为[0,2]，相同的两个向量余弦距离为0。
对于两个向量A和B，其余弦相似度定义为：

即两个向量夹角的余弦，关注的是向量之间的角度关系，并不关心它们的绝对大小，其取值范围是[−1,1]。

为什么在一些场景中要使用余弦相似度而不是欧氏距离？

当一对文本相似度的长度差距很大、但内容相近时，如果使用词频或词向量作为特征，它们在特征空间中的的欧氏距离通常很大；而如果使用余弦相似度的话，它们之间的夹角可能很小，因而相似度高。此外，在文本、图像、 视频等领域，研究的对象的特征维度往往很高，余弦相似度在高维情况下依然保 持“相同时为1，正交时为0，相反时为−1”的性质，而欧氏距离的数值则受维度的 影响，范围不固定，并且含义也比较模糊。
在一些场景，例如Word2Vec中，其向量的模长是经过归一化的，此时欧氏距 离与余弦距离有着单调的关系，即

其中|| A−B ||₂表示欧氏距离，cos(A,B)表示余弦相似度，(1−cos(A,B))表示余弦距离。在此场景下，如果选择距离最小（相似度最大）的近邻，那么使用余弦相似度和欧氏距离的结果是相同的。总体来说，欧氏距离体现数值上的绝对差异，而余弦距离体现方向上的相对差异。例如，统计两部剧的用户观看行为，用户A的观看向量为(0,1)，用户B为 (1,0)；此时二者的余弦距离很大，而欧氏距离很小；我们分析两个用户对于不同 视频的偏好，更关注相对差异，显然应当使用余弦距离。而当我们分析用户活跃 度，以登陆次数(单位：次)和平均观看时长(单位：分钟)作为特征时，余弦距离会 认为(1,10)、(10,100)两个用户距离很近；但显然这两个用户活跃度是有着极大差异 的，此时我们更关注数值绝对差异，应当使用欧氏距离。
特定的度量方法适用于什么样的问题，需要在学习和研究中多总结和思考， 这样不仅仅对面试有帮助，在遇到新的问题时也可以活学活用。

余弦距离是否是一个严格定义的距离？

并不是，一个严格定义的距离必须满足正定性、对称性、三角不等式。
正定：d(x,y)>=0
对称：d(x,y)=d(y,x)
余弦距离不满足三角不不等式。证明十分简单，令A(1,0),B(1,1),C(0,1)，算一下距离即可，不满足两边之和大于第三边。

A/B测试的陷阱

A/B 测试又被称为“分流测试”或“分桶测试”，它通过把被测对象随机分成 A、B 两组，分别对它们进行对照测试的方法得出实验结论。具体到推荐模型测试的场景下，它的流程是这样的：先将用户随机分成实验组和对照组，然后给实验组的用户施以新模型，给对照组的用户施以旧模型，再经过一定时间的测试后，计算出实验组和对照组各项线上评估指标，来比较新旧模型的效果差异，最后挑选出效果更好的推荐模型。

为什么要进行A/B测试

需要进行在线A/B测试的原因如下。
（1）离线评估无法完全消除模型过拟合的影响，因此，得出的离线评估结果 无法完全替代线上评估结果。
（2）离线评估无法完全还原线上的工程环境。一般来讲，离线评估往往不会 考虑线上环境的延迟、数据丢失、标签数据缺失等情况。因此，离线评估的结果 是理想工程环境下的结果。
（3）线上系统的某些商业指标在离线评估中无法计算。离线评估一般是针对 模型本身进行评估，而与模型相关的其他指标，特别是商业指标，往往无法直接 获得。比如，上线了新的推荐算法，离线评估往往关注的是ROC曲线、P-R曲线等 的改进，而线上评估可以全面了解该推荐算法带来的用户点击率、留存时长、PV 访问量等的变化。这些都要由A/B测试来进行全面的评估。

如何进行A/B测试

进行A/B测试的主要手段是进行用户分桶，即将用户分成实验组和对照组，对 实验组的用户施以新模型，对对照组的用户施以旧模型。在分桶的过程中，要注 意样本的独立性和采样方式的无偏性，确保同一个用户每次只能分到同一个桶 中，在分桶过程中所选取的user_id需要是一个随机数，这样才能保证桶中的样本是无偏的。

模型评估的方法

1. Holdout检验
   Holdout 将原始的样本集合随机划分成训练集和验证集两部分。比方说，70% 的样本用于模型训练；30% 的样本用于模型 验证，包括绘制ROC曲线、计算精确率和召回率等指标来评估模型性能。 Holdout 检验的缺点很明显，即在验证集上计算出来的最后评估指标与原始分组有很大关系。为了消除随机性，研究者们引入了“交叉检验”的思想。
2. 交叉检验
   k-fold交叉验证：首先将全部样本划分成k个大小相等的样本子集；依次遍历这k个子集，每次把当前子集作为验证集，其余所有子集作为训练集，进行模型的训练和评估；最后把k次评估指标的平均值作为最终的评估指标。在实际实验中，k经常取10。
3. 自助法
   不管是Holdout检验还是交叉检验，都是基于划分训练集和测试集的方法进行模型评估的。然而，当样本规模比较小时，将样本集进行划分会让训练集进一步减小，这可能会影响模型训练效果。有没有能维持训练集样本规模的验证方法呢？自助法可以比较好地解决这个问题。
   自助法是基于自助采样法的检验方法。对于总数为n的样本集合，进行n次有放回的随机抽样，得到大小为n的训练集。n次采样过程中，有的样本会被重复采样，有的样本没有被抽出过，将这些没有被抽出的样本作为验证集，进行模型验 证，这就是自助法的验证过程。

超参数调优方法

1. 网格搜索
   网格搜索可能是最简单、应用最广泛的超参数搜索算法，它通过查找搜索范围内的所有的点来确定最优值。然而，这种搜索方案十分消耗计算资源和时间，特别是需要调优的超参数比较多的时候。因此，在实际应用中，网格搜索法 一般会先使用较广的搜索范围和较大的步长，来寻找全局最优值可能的位置；然后会逐渐缩小搜索范围和步长，来寻找更精确的最优值。这种操作方案可以降低 所需的时间和计算量，但由于目标函数一般是非凸的，所以很可能会错过全局最优值。
2. 随机搜索
   随机搜索的思想与网格搜索比较相似，只是不再测试上界和下界之间的所有值，而是在搜索范围中随机选取样本点。它的理论依据是，如果样本点集足够大，那么通过随机采样也能大概率地找到全局最优值，或其近似值。随机搜索一般会比网格搜索要快一些，但是和网格搜索的快速版一样，它的结果也无法保证。
3. 贝叶斯优化算法
   贝叶斯优化算法在寻找最优最值参数时，采用了与网格搜索、随机搜索完全不同的方法。网格搜索和随机搜索在测试一个新点时，会忽略前一个点的信息； 而贝叶斯优化算法则充分利用了之前的信息。贝叶斯优化算法通过对目标函数形状进行学习，找到使目标函数向全局最优值提升的参数。
   具体来说，它学习目标函数的方法是，首先根据先验分布，假设一个搜集函数；
   然后，每一次使用新的采样点来测试目标函数时，利用这个信息来更新目标函数的先验分布；
   最后，算法测试由后验分布给出的全局最值最可能出现的位置的点。
   对于贝叶斯优 化算法，有一个需要注意的地方，一旦找到了一个局部最优值，它会在该区域不断采样，所以很容易陷入局部最优值。为了弥补这个缺陷，贝叶斯优化算法会在 探索和利用之间找到一个平衡点，“探索”就是在还未取样的区域获取采样点； 而“利用”则是根据后验分布在最可能出现全局最值的区域进行采样。

过拟合与欠拟合

降低过拟合风险的方法

（1）从数据入手，获得更多的训练数据。使用更多的训练数据是解决过拟合问题最有效的手段，因为更多的样本能够让模型学习到更多更有效的特征，减小噪声的影响。
（2）降低模型复杂度。在数据较少时，模型过于复杂是产生过拟合的主要因素，适当降低模型复杂度可以避免模型拟合过多的采样噪声。例如，在神经网络 模型中减少网络层数、神经元个数等；在决策树模型中降低树的深度、进行剪枝等。
（3）正则化方法。给模型的参数加上一定的正则约束，比如将权值的大小加 入到损失函数中。以L2正则化为例：

这样，在优化原来的目标函数C0的同时，也能避免权值过大带来的过拟合风险。
（4）集成学习方法。集成学习是把多个模型集成在一起，来降低单一模型的过拟合风险，如Bagging方法。

降低欠拟合风险的方法

（1）添加新特征。当特征不足或者现有特征与样本标签的相关性不强时，模 型容易出现欠拟合。通过挖掘“上下文特征”“ID类特征”“组合特征”等新的特征，往 往能够取得更好的效果。在深度学习潮流中，有很多模型可以帮助完成特征工 程，如因子分解机、梯度提升决策树、Deep-crossing等都可以成为丰富特征的方 法。
（2）增加模型复杂度。简单模型的学习能力较差，通过增加模型的复杂度可 以使模型拥有更强的拟合能力。例如，在线性模型中添加高次项，在神经网络模型中增加网络层数或神经元个数等。
（3）减小正则化系数。正则化是用来防止过拟合的，但当模型出现欠拟合现 象时，则需要有针对性地减小正则化系数。