机器学习小组第二周：如何评价模型的好坏

决定改掉拖延症，不再等待，能做的东西立马做。

学习目标

1、数据拆分：训练数据集&测试数据集
2、评价分类结果：精准度、混淆矩阵、精准率、召回率、F1 Score、ROC曲线等
3、评价回归结果：MSE、RMSE、MAE、R Squared

学习资料

首先，建议阅读《机器学习的敲门砖：kNN算法（中）》全文。该篇文章以刚刚学习过的kNN算法为例，介绍了数据拆分，即划分训练数据集&测试数据集的方法。还详细讲解了分类准确度accuracy这一知识点。
然后，还需要阅读《评价分类结果（上）：混淆矩阵、精准率、召回率》全文，以及《评价分类结果（下）：F1 Score、ROC、AUC》，全面了解评价分类结果。
最后，需要阅读《模型之母：线性回归的评价指标》，学习评价回归结果：MSE、RMSE、MAE、R Squared。

西瓜书第二章，介绍了模型评估与选择的相关内容。

---

20200305
准确度（accuracy）
不一定在所有情况都适用，如对于极端不平衡的分类数据。

混淆矩阵（confusion matrix）

	预测值0	预测值1
真实值0	TN	FP
真实值1	FN	TP

以TN举例，真实值为TRUE，预测为negative，即为0，预测正确，其他三个同理解释。

	预测值0	预测值1
真实值0	9978	12
真实值1	2	8

根据上述混淆矩阵我们可以计算出很多数字特征，见下：
精准率（precision）-也叫查准率
$precision = \frac{TP}{TP+FP}$
所谓的精准率是：分母为所有预测为1的个数，分子是其中预测对了的个数，即预测值为1，且预测对了的比例。即精准率为我们关注的那个事件，预测的有多准。
召回率（recall）-也叫查全率
$recall = \frac{TP}{TP+FN}$
所谓召回率是：所有真实值为1的数据中，预测对了的个数。也就是我们关注的那个事件真实的发生情况下，我们成功预测的比例是多少。

上述两种指标，在不同的场景有不同的选择。
如果同时需要关注两种指标，那么我们需要使用下面一种指标。

F1 score
$F1 = \frac{2*precision*recall}{precision+recall}$
一般来说，F1 score要比上两者更直观。

ROC（Receiver Operation Characteristic Cureve）
precision就是所有正例中，有多少被正确地判定为正；
recall是所有负例中，有多少被错误地判定为正。
ROC就是描述这两者的曲线，前者越大越好，后者越小越好。

AUC（Area Under Curve）
AUC就是ROC曲线下面的面积。这个AUC是横轴范围（0,1 ），纵轴是（0,1）所以总面积是小于1的。

---

上面几个是针对分类问题的指标，下面介绍回归问题的指标。
比较简单，就列一下公式。
均方误差MSE
$\frac{1}{m}\sum_{i=1}^{m}(y^{i}_{test}-y'^{i}_{test})^2$
均方根误差RMSE
$\sqrt{\frac{1}{m}\sum_{i=1}^{m}(y^{i}_{test}-y'^{i}_{test})^2}$
平均绝对误差MAE
$\frac{1}{m}\sum_{i=1}^{m}|y^{i}_{test}-y'^{i}_{test}|$
还有R的平方。

---

代码部分的话全放自己的jupyter里面了！