分類器的評估

分類器的評估張英混淆矩陣與分類準(zhǔn)確率多分類問題的混淆矩陣預(yù)測結(jié)果類c1c2……ck總實際類c1c2……ck總n準(zhǔn)確率誤分類率分類模型的評價指標(biāo)1.準(zhǔn)確率與誤分類率準(zhǔn)確率=(tp+tn))/(tp+fn+fp+tn)誤分類率=(fn+fp)/(tp+fn+fp+tn)真正率（靈敏度）=tp/(tp+fn)真負(fù)率（特指度）=tn/(fp+tn)假正率

=fp/(fp+tn)假負(fù)率

=fn/(tp+fn)二分類問題的混淆矩陣預(yù)測結(jié)果類+-總實際類+tpfntp+fn-fptnfp+tn總tp+fpfn+tntp+fn+fp+tn不平衡分布類二類分類問題的混淆矩陣預(yù)測結(jié)果類+10-90實際類+5++(tp)3+-(fn)2-95-+(fp)7—(tn)88誤分類率：9%真正率：60%評估指標(biāo)2.精度P=tp/(tp+fp)

3.召回率（真正率、靈敏度）R=tp/(tp+fn)4.FSCORE精度和召回率

的調(diào)和均值：召回率和精度的權(quán)重相同：F=2RP/(R+P)將召回率的權(quán)重設(shè)為精度的β倍：二分類問題的混淆矩陣預(yù)測結(jié)果類+-總實際類+tpfntp+fn-fptnfp+tn總tp+fpfn+tntp+fn+fp+tn評估指標(biāo)二分類問題的誤分類代價預(yù)測結(jié)果類+-總實際類+C(+,+)C(+,-)C(+,+)*TP+C(+,-)*FN-C(-,+)C(-,-)C(-,+)*FP+C(-,-)*TN誤分類代價

（成本或收益）

誤分類代價對稱C(+,+)=C(-,-)=0C(+,-)=C(-,+)=1誤分類代價不對稱關(guān)注預(yù)測為正類成本角度收益角度二分類問題的混淆矩陣預(yù)測結(jié)果類+-總實際類+tpfntp+fn-fptnfp+tn預(yù)測性能評估指標(biāo)的選擇平衡分布類，對稱誤分類代價準(zhǔn)確率、誤分類率，精度不平衡分布類，對稱誤分類代價

精度，召回率，F(xiàn)SCORE不對稱誤分類代價成本或收益模型評估方法Hold方法將數(shù)據(jù)分成訓(xùn)練集和驗證（測試）集，一般按照2:1比例劃分，以驗證集指標(biāo)進行評估；多次隨機采樣進行N次上述（1）的隨機采樣，然后計算N個測試精度的平均值自助法（bootstrap)（最常用的.632自助法）進行N次有放回的均勻采樣，獲得的數(shù)據(jù)集作為訓(xùn)練集，原數(shù)據(jù)集中未被抽中的其它觀測形成驗證集?？芍貜?fù)K次，計算準(zhǔn)確率：模型評估方法交叉驗證數(shù)據(jù)集小的時候，可將數(shù)據(jù)集分成K個不相交的等大數(shù)據(jù)子集，每次將K-1個數(shù)據(jù)集作為訓(xùn)練集，將1個數(shù)據(jù)集作為驗證（測試）集，得到K個測試精度，然后計算K個測試指標(biāo)的平均值。留一交叉驗證：K=N；分層交叉驗證：每個部分中保持目標(biāo)變量的分布。不同分類器預(yù)測準(zhǔn)確度差異的顯著性檢驗T檢驗（自由度為K-1）以交叉驗證為例（k為驗證集觀測分折數(shù)）：相同驗證集：不同驗證集：分類器預(yù)測準(zhǔn)確度置信區(qū)間分類器預(yù)測真正準(zhǔn)確度p=其中：N：驗證集觀測個數(shù)；acc：基于當(dāng)前驗證集分類器的準(zhǔn)確度；ROC曲線（receiveroperatingcharacteristic)曲線下方面積越大，模型越好，即曲線與y軸正向的夾角越小越好。真正率假正率二分類問題的混淆矩陣預(yù)測結(jié)果類+-總實際類+tpfntp+fn-fptnfp+tn總tp+fpfn+tntp+fn+fp+tn制作ROC曲線驗證集共有10個觀測，其中正類（P類）5個，負(fù)類（N類）5個將驗證集各觀測按照預(yù)測為正類的概率降序排列，每個觀測計算對應(yīng)的真正率和假正率，形成一個點。提升圖假定：目標(biāo)變量的取值為GOOD和BADN為驗證集觀測個數(shù)；RGOOD為驗證集目標(biāo)變量取值為GOOD的觀測個數(shù)；p_good為驗證集目標(biāo)變量

預(yù)測為GOOD的概率值；驗證集的混淆矩陣預(yù)測結(jié)果類goodbad總實際類goodtpfnRGOODbadfptnRbad總N繪制提升圖1.將驗證集各觀測按照p_good降序排列,等分成10組。2.以10個分組為橫坐標(biāo)

以下指標(biāo)分別為縱坐標(biāo)：%response：每組中實際為GOOD的觀測個數(shù)占本組總個數(shù)的比例;%capturedresponse:每組中實際為GOOD的觀測個數(shù)占RGOOD的比例;%cumulativeresponse:前面各組中實際為GOOD的觀測個數(shù)占前面各組總個數(shù)的比例%cumulativecapturedresponse:前面各組中實際為GOOD的觀測個數(shù)占RGOOD的比例。liftvalue=使用模型以后的%response/不使用任何模型進行決策的%response提升圖某公司發(fā)送了1000封廣告郵件，有200個客戶響應(yīng)了郵件（即由于收到郵件而在該公司產(chǎn)生了消費行為）。每個10分位（100個觀測）的響應(yīng)者個數(shù)根據(jù)對驗證數(shù)據(jù)集的計算得到。決策閾值選擇根據(jù)每個觀測預(yù)測為每個目標(biāo)類的概率決定該觀測的目標(biāo)類值。對二分類：

理論閾值p=1/(1+1/B)B=C（-，+）/C（+，-）根據(jù)提升圖和實際業(yè)務(wù)背景選擇合適的分組比例。根據(jù)分組比例決定最終決策閾值。提高分類準(zhǔn)確率技術(shù)—組合分類組合分類方法有放回抽樣產(chǎn)生多個樣本裝袋：多數(shù)表決決定最終結(jié)果提升（adaboost)隨機森林：多顆決策樹，隨機屬性