02 模型评估与选择
2.1 经验误差与过拟合
- 错误率 E E E
- E = a m E = \frac{a}{m} E=ma
- m m m个样本中有 a a a个样本分类错误
- E = a m E = \frac{a}{m} E=ma
- 精度 = 1 - 错误率
- 误差
- 预测值和真实值之间的差异
- 训练误差、经验误差
- 学习器在训练集上的误差
- 泛化误差
- 学习器在新样本上的误差
- 过拟合
- 原因：学习能力过于强大
- 欠拟合
- 原因：学习能力低下
- 解决
- 决策树学习中扩展分支
- 在神经网络学习中增加训练轮数
2.2 评估方法
- 以测试集 上的"测试误差"作为泛化误差的近似
- 通过对数据集 D D D进行适当的处理，从中产生出训练集 S S S和测试集 T T T
2.2.1 留出法 hold-out
D = S ∪ T , S ∩ T = ∅ D = S \cup T, S \cap T = \varnothing D=S∪T,S∩T=∅
⚠️
- 训练/测试集的划分要尽可能地保持数据分布的一致性
- "分层采样"
- 一般要采用若干次随机划分、重复进行实验评估后取平均值作为留出法的评估结果
- 常见的划分：将大约 2/3 rv 4/5 的 样本用于训练，剩余样本用于测试.
2.2.2 交叉验证法 cross validation
- 将D划分为k个大小相似的互斥子集，每个子集都尽可能保持数据分布的一致性
- 每次用k-1个子集的并集作为训练集，余下的那个子集作为测试集。这样就可以作k次训练和测试
- 返回k个测试结果的均值
- 该方法评估结果的稳定性和保真性很大程度上取决于k的取值
- "k折交叉验证"
- k最常取10，或5，或20
- 通常要随机使用不同的划分重复 p次，最终的评估结果是这 p次 k折交叉验证结果的均值。
- 留一法LOO
- 假定数据集 D 中包含 m 个样本， 令 k=m
- 留一法的评估结果往往被认为比较准确
- 留一法的估计结果也未必永远比其他评估方法准确;"没有免费的午餐"定理对实验评估方法同样适用.
- 在数据集比较大时，训练 m 个模型的计算开销可能是难以忍受的
2.2.3 自助法 bootstrapping
估计偏差
- 前两个方法中的训练样本规模和D的规模是不一样的
- 自助法是为了减少训练样本规模不同造成的影响，同时还能比较高效地进行试验估计
给定包含m个样本的数据集D，我们对它进行采样产生数据集D'
- 每次随机从D中挑选一个样本，将其放入D'（该样本可以被再次采样到）
- 🔁重复第一个步骤m次，得到一个包含m个样本的数据D'
D中有一部分样本会在D'中多次出现，而有些样本不出现。
通过计算，D中约有36.8%的样本未出现在采样数据集D'中。
| 训练集 | 测试集 |
|---|---|
| D' | D\D' |
- 训练集有m个样本
- 测试集仍有数据总量的1/3的、没在训练集中出现的样本
| 数据集较小、难以有效划分训练/测试集 | 初始数据量足够 |
|---|---|
| 自助法 | 留出法、交叉验证法 |
2.2.4 调参与最终模型
对每个参数选定一 范围和变化步长
例如在 [0， 0.2] 范围内以 0.05 为步长，则实际要评估的候选参数值有 5 个，最终是从这 5 个候选值中产生选定值.
训练集vs验证集vs测试集
训练数据 = 训练集 + 验证集（用于模型选择和调参）
⚠️
我们通常把学得模型在实际使用中遇到的数据称为测试数据 ，为了加以区分，模型评估与选择中用于评估测试的数据集常称为"验证集" (validation set).
例如，在研究对比不同算法的泛化性能时，我们用测试集上的判别效果来估计模型在实际使用时的泛化能力 ，而把训练数据 另外划分为训练集和验证集，基于验证集上的性能来进行模型选择和调参.
2.3 性能度量
- 衡量模型泛化能力的评价标准
- 反映任务需求
- 把学习器预测结果 f ( x ) f(x) f(x)和真实标记 y y y进行比较
2.3.1 错误率和精度
2.3.2 查准率、查全率与F1
- 查准率（precision）、查全率（recall）一对矛盾的度量.
- 查准率关注选出来的瓜有多少是好的
- 查全率关注有没有选出全部的好瓜
两个学习器的比较
-
若一个学习器的 P-R 曲线被另一个学习器的曲线完全**"包住"** ， 则可断言后者的性能优于前者。
-
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。
-
平衡点（BEP）："查准率=查全率"时的取值。BEP值高的学习器性能更佳。
-
F1度量
F 1 = 2 × P × R P + R = 2 × T P 样例总数 + T P − T N F1 = \frac{2 \times P \times R}{P + R}=\frac{2 \times TP}{样例总数+TP-TN} F1=P+R2×P×R=样例总数+TP−TN2×TP
- F β F_{\beta} Fβ------F1量度的一般形式： β = 1 \beta=1 β=1时退化为标准的F1； β > 1 \beta>1 β>1查全率有更大影响； β < 1 \beta<1 β<1查准率有更大影响。
- macro-P, macro-R, macro-F1
- Micro-P, macro-R, micro-F1
2.3.3 ROC和AUC
ROC
- 受试者工作特征" (Receiver Operating Characteristic)曲线
- 纵轴是"真正例率" (True Positive Rate，简称 TPR), T P R = T P T P + F N TPR = \frac{TP}{TP+FN} TPR=TP+FNTP
- 横轴是"假正例率" (False Positive Rate，简称 FPR), F P R = F P T N + F P FPR = \frac{FP}{TN+FP} FPR=TN+FPFP
通过ROC图比较学习器
- 包住
- AUC：比较 ROC 曲线下的面积AUC
2.3.4 代价敏感错误率与代价曲线
...