kaggle员工离职预测案例(3)

传送门🚪

案例背景及数据分析处理过程请看《kaggle员工离职预测案例(1)》
建模处理过程请看《kaggle员工离职预测案例(2)》

背景

一切的一切，因为这篇文章《机器学习模型评估教程！》
在第二篇文章中，我们罗列了在原始数据、降采数据、过采数据下的逻辑回归分类模型、决策树分类模型、随机森林分类模型，这样一共得到九个结果。我们在不同模型中挑选出了其中表现最好的几个（标准参考了 召回率和准确率），如下：

逻辑回归模型	备注
召回率80%，精准率80%	降采数据
召回率84%，精准率79%👍	过采数据

决策树模型	备注
召回率94%，精准率73%	降采数据，默认参数
召回率82%，精准率78.9%	降采数据，调参后

随机森林模型	备注
召回率84%，精准率83% 👍	降采数据，默认参数
召回率91%，精准率83%👍👍	降采数据，GridSearchCV调参
召回率92.85%，精准率84.35% 👍👍👍	降采数据，RandomizedSearchCV调参

原始数据下的模型因为类别不平衡的篇问题，不在我们讨论的范围内。篇2大费周章的在原始数据下建模的目的在于练习、对比 。😉

精明的机器学习者知道其中的窍门。两个类别的规模远不相等。在这种情况下，准确度的衡量标准是没有太大意义的。即使这些数字可能在 "论文"上看起来很好。

这一篇章中我们将引入ROC-AUC评估标准来进一步的对我们的模型进行评估。

何为ROC-AUC？

大约10年前在machine learning文献中一统天下的标准：分类精度；在信息检索(IR)领域中常用的recall和precision，等等。其实，度量反应了人们对”好”的分类结果的追求，同一时期的不同的度量反映了人们对什么是”好”这个最根本问题的不同认识，而不同时期流行的度量则反映了人们认识事物的深度的变化。

近年来，随着machine learning的相关技术从实验室走向实际应用，一些实际的问题对度量标准提出了新的需求。特别的，现实中样本在不同类别上的不均衡分布(class distribution imbalance problem)。使得accuracy这样的传统的度量标准不能恰当的反应分类器的performance。举个例子：测试样本中有A类样本90个，B 类样本10个。分类器C1把所有的测试样本都分成了A类，分类器C2把A类的90个样本分对了70个，B类的10个样本分对了5个。则C1的分类精度为 90%，C2的分类精度为75%。但是，显然C2更有用些。另外，在一些分类问题中犯不同的错误代价是不同的(cost sensitive learning)。这样，默认0.5为分类阈值的传统做法也显得不恰当了。

近年来，随着machine learning的相关技术从实验室走向实际应用，一些实际的问题对度量标准提出了新的需求。特别的，现实中样本在不同类别上的不均衡分布(class distribution imbalance problem)。使得accuracy这样的传统的度量标准不能恰当的反应分类器的performance。举个例子：测试样本中有A类样本90个，B 类样本10个。分类器C1把所有的测试样本都分成了A类，分类器C2把A类的90个样本分对了70个，B类的10个样本分对了5个。则C1的分类精度为 90%，C2的分类精度为75%。但是，显然C2更有用些。另外，在一些分类问题中犯不同的错误代价是不同的(cost sensitive learning)。这样，默认0.5为分类阈值的传统做法也显得不恰当了。

为了解决上述问题，人们从医疗分析领域引入了一种新的分类模型performance评判方法——ROC分析。ROC分析本身就是一个很丰富的内容，有兴趣的读者可以自行Google，这里只做些简单的概念性的介绍。

ROC的全名叫做Receiver Operating Characteristic，其主要分析工具是一个画在二维平面上的曲线——ROC curve。平面的横坐标是false positive rate(FPR)，纵坐标是true positive rate(TPR)。对某个分类器而言，我们可以根据其在测试样本上的表现得到一个TPR和FPR点对。这样，此分类器就可以映射成ROC平面上的一个点。调整这个分类器分类时候使用的阈值，我们就可以得到一个经过(0, 0)，(1, 1)的曲线，这就是此分类器的ROC曲线。

一般情况下，这个曲线都应该处于(0, 0)和(1, 1)连线的上方。因为(0, 0)和(1, 1)连线形成的ROC曲线实际上代表的是一个随机分类器。如果很不幸，你得到一个位于此直线下方的分类器的话，一个直观的补救办法就是把所有的预测结果反向，即：分类器输出结果为正类，则最终分类的结果为负类，反之，则为正类。虽然，用ROC curve来表示分类器的performance很直观好用。可是，人们总是希望能有一个数值来标志分类器的好坏。于是Area Under roc Curve(AUC)就出现了。AUC（Area Under roc Curve）是一种用来度量分类模型好坏的一个标准。AUC的值就是处于ROC curve下方的那部分面积的大小。通常，AUC的值介于0.5到1.0之间，较大的AUC代表了较好的performance

更多内容可参考文章《ROC曲线与AUC值》《机器学习基础（1）- ROC曲线理解》

举个栗子🌰：

上图是一个以FPR为横轴，TPR为纵轴的ROC图例

1. 左上角的点Pefect Classification（TPR=1，FPR=0），为完美分类，也就是这个模型100%正确，预测全对。此时FP = 0, FN = 0。用人话说就是没有原本离职的员工被预测成不离职，也没有不离职的员工被预测成离职。

2. 点A（TPR>FPR）模型A的判断大体是正确的。TPR≈0.62，FPR≈0.3 ，我们由TPR和FPR的公式可以推导出TP/FN ≈3/2, FP/TN≈3/7。如果用二分类矩阵表示为：
   
   👽用人话说就是15个员工，成功预测离职了3个，成功预测不离职的7个，一共对了10个。但是有3个原本不会离职的人被预测成了离职（误杀），还有两个原本会离职的人被预测成不离职（漏杀）。对于这一结果我们表示满意。

3. 中线上的点B（TPR=FPR），也就是模型B全都是蒙的，蒙对一半，蒙错一半；

4. 上半平面的点C1（TPR>FPR）。TPR≈0