0x00 性能度量
对学习器泛化性能进行评估时，不仅需要有效可行的实验估计方法，还需要有衡量模型泛化能力的评价标准，这就是性能度量。
性能度量反映任务需求，在对比不同模型的能力时，使用不同的性能度量往往会导致不同的评判结果，也就是说，模型的好坏是相对的，需要根据实际情况进行选择。
0x01 回归任务中的性能度量
回归任务中最常用的性能度量是“均方误差”(mean squared error)
对于一般的数据分布 D 和概率密度函数 p，均方误差可以表示为：
0x02 分类任务中的性能度量
错误率与精度
分类任务中最常用的两种性能度量就是错误率和精度，同时适用于二分类和多分类任务。
错误率是分类错误的样本数占样本总数的比例。
精度是分类正确的样本数占样本总数的比例。
对于一般的数据分布 D 和概率密度函数 p，错误率和精度可以表示为：
查准率、查全率与 F1
错误率和精度只能表示一部分的性能，如果我们要深入的研究这个问题，就需要用到别的性能度量。
查准率 P 是我们检索到的样本中有多少比例是正确的。
查全率 R 是正确的样本中有多少被检索到了。
| 真实情况\预测结果 | 正例 | 反例 |
|---|---|---|
| 正例 | TP(真正例) | FN(假反例) |
| 反例 | FP(假正例) | TN(真反例) |
如果我们我们根据学习器的预测结果对样例排序，最可能正确的排在最前，最可能错误的排在最后。按照这个顺序逐个把样本作为正确的进行预测，则每次可以计算出当前查全率、查准率。
然后以查准率为纵轴，查全率为横轴作图，就得到了查准率-查全率曲线，也称为“P-R”曲线。
如图：
P-R 图可以直观的表示学习器在总样本上的查全率和查准率，如果一个学习器的 P-R 曲线被另一个学习器的 P-R 曲线完全包住，则可以断言后者的性能优于前者。如果 P-R 曲线交叉，则需要根据实际的需求来进行比较。如果一定要把学习器的性能分个高低，一个比较合理的判据是比较 P-R 曲线下面积的大小，它在一定程度上表征了学习器在查准率和查全率上取得相对“双高”的比例。
这个面积值不容易估算，所以又设计了一些综合考虑查准率和查全率的性能度量。平衡点（Break-Event Point）就是这样一个度量，它是“查准率=查全率”时的取值，可以通过比较 BEP 值来比较学习器的性能。
但是 BEP 过于简化，我们更常用的的是 F1 度量：
其中 TP 是假设正确并且实际正确的样例数，TN 是假设错误并且实际错误的样例数。
在实际的应用中，我们要根据不同需求改变对查准率和查全率的重视程度。如商品推荐中应该尽可能推荐用户最感兴趣的，查准率更重要；在逃犯信息检索中，需要尽可能不漏掉逃犯，所以查全率更重要。所以就引出了 F1 度量的一般形势 Fβ，能表达出对查准率和查全率的不同偏好。
其中 β 代表查全率与查准率的相对重要性，在 β=1 时，就是 F1；在 β>1 时，查全率更重要；在 β 小于 1 时，查准率更重要。
ROC 与 AUC
在分类时，我们会选择一个阈值判别，我们将学习器的预测结果对样例排序，最可能正确的排在最前，最可能错误的排在最后。然后我们可以通过一个截断点来把样本分成两部分。在不同的任务中，我们可以根据实际的需求选择不同位置的截断点，如果我们更重视“查准率”，则可以选择排序中靠前的位置进行截断；若更重视“查全率”，则可选择靠后的位置进行截断。
ROC 全称是“受试者工作特征”曲线，我们根据学习器的预测结果对样例进行排序，按此顺序逐个把样本作为正例进行预测，每次计算出两个重要量的值，分别以它们为横纵坐标做图，就得到了 ROC 曲线。与 P-R 曲线使用查准率、查全率为横、纵轴不同，ROC 曲线纵轴是“真正例率”（TPR），横轴是“假正例率”（FPR）。
进行学习器比较时，若一个学习器的 ROC 曲线被另一个学习器的 ROC 曲线完全包裹，那么可以断言后者性能优于前者，若两个学习器发生交叉，则比较 ROC 曲线下的面积，即 AUC(Area Under ROC Curve)
代价敏感错误率与代价曲线
在现实情况中，分类错误之后不同类型错误所造成的后果也不同，比如安检通道把钥匙等金属制品错误的分类到危险品，仅仅是多了一层人工检查的麻烦；但是如果把一把刀错误的分类到安全品里面，那么可能造成十分严重的后果。不同的错误造成的损失是不同的，为了权衡这个损失，可以为错误赋予“非均等代价”(unequal cost)。
我们可以用一张表来代表代价：
| 真实情况\预测结果 | 第0类 | 第1类 |
|---|---|---|
| 第0类 | 0 | cost01 |
| 第1类 | cost10 | 0 |
我们前面的几种方法都是以最小化错误次数为目标的，也就是认为所有错误的代价是均等的。
在非均等代价下，就需要代价曲线来表示学习器的总体代价。代价曲线图的横轴取值为[0,1]的正例概率代价：
代价曲线的绘制则是 ROC 上每一点对应了代价平面上的一条线段，设 ROC 曲线上点的坐标是(TPR,FPR)，则可以计算出 FNR，然后在代价平面上绘制一条从(0,FPR)到(1,FNR)的线段，线段下的面积即表示了该条件下的期望总体代价。
然后将 ROC 曲线上的每个点都这样转换成一条线段，再取所有线段的下界，围成的面积即为在所有条件下学习器的期望总体代价。如图：
0x03 参考文档
https://orcl.cc/articles/2018/10/10/1539172872138.html
《机器学习》——周志华
欢迎来到这里！
我们正在构建一个小众社区，大家在这里相互信任，以平等 • 自由 • 奔放的价值观进行分享交流。最终，希望大家能够找到与自己志同道合的伙伴，共同成长。
注册 关于