分類器的評估

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

=fp/(fp+tn)假負率

=fn/(tp+fn)二分類問題的混淆矩陣預測結(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測結(jié)果類+-總實際類+tpfntp+fn-fptnfp+tn總tp+fpfn+tntp+fn+fp+tn評估指標二分類問題的誤分類代價預測結(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)注預測為正類成本角度收益角度二分類問題的混淆矩陣預測結(jié)果類+-總實際類+tpfntp+fn-fptnfp+tn預測性能評估指標的選擇平衡分布類，對稱誤分類代價準確率、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)分成訓練集和驗證（測試）集，一般按照2:1比例劃分，以驗證集指標進行評估；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?？芍貜蚄次，計算準確率：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變量的分布。不同分類器預測準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：分類器預測準確度置信區(qū)間分類器預測真正準確度p=其中：N：驗證集觀測個數(shù)；acc：基于當前驗證集分類器的準確度；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，負類（N類）5個將驗證集各觀測按照預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為驗證集目標變量取值為GOOD的觀測個數(shù)；p_good為驗證集目標變量

預測為GOOD的概率值；驗證集的混淆矩陣預測結(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

以下指標分別為縱坐標：%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)每個觀測預測為每個目標類的概率決定該觀測的目標類值。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