一、训练集、验证集与测试集
训练集（60%)：用来训练模型
验证集（20%）：确保模型没有过拟合，验证模型在新数据上的表现，同时通过调整参数，让模型处于最好的状态（验证集非必需，如无需调整超参数，则直接用测试集来评估效果）
主要作用：
- 评估模型效果，为了调整超参数而服务
- 调整超参数，使得模型在验证集上的效果最好
测试集（20%）：用来评估模型效果
所有的评估指标都是围绕二元分类混淆矩阵的四种情况来计算的
混淆矩阵：在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类)
- 每一行代表了预测类别，每一行的总数表示预测为该类别的数据的数目
- 每一列代表了数据的真实归属类别，每一列的数据总数表示该类别的数据实例的数目
| 实际：1 | 实际：0 | |
| 预测：1 | TP | FP |
| 预测：0 | FN | TN |
TP（True Positive）：真阳性，实际为1，且判断为1（正确）
FP（False Positive）：假阳性，实际为0，但判断为1（错误）
FN（False Negative）：假阴性，实际为1，但判断为0（错误）
TN（True Negative）：真阴性，实际为0，且判断为0（正确）
二、分类问题评估指标
- 准确率（accuracy）：预测正确的结果占总样本的百分比，准确率 =(TP+TN)/(TP+TN+FP+FN)
- 精确率（precision，差准率）：所有被预测为正的样本中实际为正的样本的概率，精准率 =TP/(TP+FP)
- 召回率（recall，查全率）：实际为正的样本中被预测为正样本的概率，召回率=TP/(TP+FN)
- F1分数（f1-score）：综合精确率和召回率表现的平衡点，反映模型的稳健性，F1=(2×精确率×召回率)/（精确率+召回率），或
- ROC曲线：又称接受者操作特征曲线，最早应用于雷达信号检测领域，用于区分信号与噪声。后来人们将其用于评价模型的预测能力，ROC 曲线是基于混淆矩阵得出的，其主要的两个指标是真正率和假正率
- 真正率（TPR） = 灵敏度=召回率 = TP/(TP+FN)，即所有实际类别为1的样本中，预测类别为1的比例
- 假正率（FPR） = 1- 特异度 = FP/(FP+TN)，即所有实际类别为0的样本中，预测类别为1的比例
- ROC曲线的横轴就是FPRate，纵轴就是TPRate，当二者相等时，表示的意义则是：对于不论真实类别是1还是0的样本，分类器预测为1的概率是相等的，此时AUC为0.5，如下
-
- AUC：又称曲线下面积，连接对角线，它的面积正好是 0.5，ROC 曲线越陡越好，所以理想值就是 1，一个正方形，而最差的随机判断都有 0.5，所以一般 AUC 的值是介于 0.5 到 1 之间的，AUC的概率意义是随机取一对正负样本，正样本得分大于负样本的概率，AUC只能用来评价二分类，非常适合评价样本不平衡中的分类器性能
-
AUC 的一般判断标准：
0.5 – 0.7： 效果较低，但用于预测股票已经很不错了
0.7 – 0.85： 效果一般
0.85 – 0.95： 效果很好
0.95 – 1： 效果非常好，但一般不太可能
三、回归问题评估指标
- MAE（平均绝对误差）：是最简单的回归度量。它将每个实际值和预测值的差值相加，最后除以观察次数，是目标值和预测值之间的绝对差
- MSE（均方误差）：MSE取每个实际值和预测值之间的差值，然后将差值平方并将它们相加，最后除以观测数量，它是实际值和预测值之间的平方差
- RMSE（均方根误差）：RMSE取每个实际值和预测值之间的差值，然后将差值平方并将它们相加，最后除以观测数量。然后取结果的平方根，即RMSE 是 MSE 的平方根
- MSLE（均值平方对数误差）：计算平方对数误差或损失的期望
- MAPE（平均绝对百分比误差）：MAPE是计算对相对误差损失的预期。所谓相对误差，就是绝对误差和真值的百分比
MSE 会惩罚大错误，而 MAE 不会，随着 MSE 和 MAE 的值都降低，模型趋向于一条更好的拟合线
四、数据集划分方式：交叉验证法
- 留出法：按照固定比例将数据集静态的划分为训练集、验证集、测试集
- 留一法：每次的测试集都只有一个样本，要进行 m 次训练和预测。 这个方法用于训练的数据只比整体数据集少了一个样本，因此最接近原始样本的分布
- k 折交叉验证：一种动态验证的方式，这种方式可以降低数据划分带来的影响，具体步骤如下：
- 将数据集分为训练集和测试集，将测试集放在一边
- 将训练集分为 k 份
- 每次使用 k 份中的 1 份作为验证集，其他全部作为训练集
- 通过 k 次训练后，我们得到了 k 个不同的模型
- 评估 k 个模型的效果，从中挑选效果最好的超参数
- 使用最优的超参数，然后将 k 份数据全部作为训练集重新训练模型，得到最终模型
五、分类评估报告api
- sklearn.metrics.classification_report(y_true, y_pred, labels=[], target_names=None )
- y_true：真实目标值
- y_pred：估计器预测目标值
- labels:指定类别对应的数字
- target_names：目标类别名称
- return：每个类别精确率与召回率
续接案例：逻辑回归、激活函数sigmoid、损失及优化、案例代码实现_learning-striving的博客-CSDN博客
新增代码
from sklearn.metrics import classification_report
ret = classification_report(y_test, y_predict) # 模型评估
print(ret)
ret = classification_report(y_test, y_predict, labels=(2,4), target_names=("良性", "恶性"))
print(ret)- precision、recall、f1-score与accuracy前面已有介绍
- macro avg：宏平均，计算方式为每个类型的算术平均，我们以precision的macro avg为例，上述输出结果中precision的macro avg值的计算方式为：(0.99+0.98)/2
- weighted avg：加权平均，是用每个类型样本数量与对应权重相乘再除以所有类别的样本总数，以precision的weighted avg 计算方式为：(0.99×89+0.98×48)/(89+48)，即(0.99×89+0.98×48)/137
- support：y_test中属于该分类的数量
六、AUC计算API
- from sklearn.metrics import roc_auc_score
- sklearn.metrics.roc_auc_score(y_true, y_score)：计算ROC曲线面积，即AUC值
- y_score：预测得分，可以是正类的估计概率、置信值或者分类器方法的返回值
- y_true：每个样本的真实类别，必须为0(反例)，1(正例)标记
from sklearn.metrics import roc_auc_score
# 0.5~1之间，越接近于1约好
y_test = np.where(y_test > 2.5, 1, 0)
print("AUC指标：",)
roc_auc_score(y_true=y_test, y_score=y_predict)
学习导航：http://xqnav.top/
文章出处登录后可见！
已经登录？立即刷新
