分类问题的性能度量

性能度量

• 对回归模型经常使用MSE

\[E(f;D)=\int_{x\sim D}(f(x)-y)^2p(x)dx \]

• 对分类模型经常使用错误率和精度

\[E(f;D)=\int_{x\sim D}I(f(x)=y)p(x)dx\\ acc(f;D)=1-E(f;D) \]

• 在二分类模型中有如下问题

  1. 预测为正例的样本中有多少比例是正例

     查准率

     \[precision = \frac{TP}{TP+FP} \]

2. 有多少比例的正例被预测为正例

   查全率

   \[ recall = \frac{TP}{TP+FN} \]

• 混淆矩阵

  Confusion_matrix

• PR曲线

  横坐标是recall，纵坐标是precision

  PR曲线必定程度地反映了，该模型区分正例和负例的能力。

  PR曲线面积小，说明模型对正例和负例的区分能力不足。

• ROC曲线

  横坐标是假阳性率FPR，纵坐标是灵敏度TPR（recall）

  \[FPR=\frac{FP}{TN+FP} \]

  ROC曲线下的面积

  \[AUROC=1-\frac{1}{m^-m^+}\sum_{x^+\in D^+}\sum_{x^-\in D^-}{I(f(x^+)<f(x^-))+\frac{1}{2}I(f(x^+)=f(x^-))} \\ =1-l_{rank} \]

  这种形式能够看出ROC曲线面积可以衡量样本预测的排序偏差

• PR曲线（或ROC曲线）的绘制

  对样本的预测输出排序（例如神经网络模型输出是数值），取一个阈值，计算该阈值对应的PR曲线（或ROC曲线）上的一点

一个PR ROC曲线的动态图示

ROC曲线效果好说明对样本预测排序的偏差小，而PR曲线效果差说明模型的预测值不能很好地区分正例和负例

ROC曲线效果好可是PR效果差

• ROC曲线效果好，说明能同时保持查全率高和假阳性率低。

  根据定义，当阈值的选取使得查全率（TPR）高时，FN远小于TP。又由于假阳性率（FPR）低，因此FP远小于TN。

  说明不多有阳性样本被判断成阴性，被判断成阳性样本的阴性样本的数量（FP）远小于正确判断为阴性的样本的数量（TN）。

• PR曲线效果很差，说明查全率高的时候准确率低。

  根据定义，当阈值的选取使得查全率高的时候，FN远小于TP，而FP远大于TP。说明不多有阳性样本被判断成阴性，可是有不少阴性样本被判断成阳性。

由于是获得了同一个查全率，以上两种状况中取的阈值是同一个，因此\(FN\ll TP \ll FP \ll TN\)。其中FP和TN是阴性样本，FN和TP是阳性样本，这说明数据集里阴性样本的数量远大于阳性样本的数量。

1. 样本不平衡问题，数据加强，集成学习
2. 改善模型，进而提升AUPR性能