机器学习中怎么评估分类效果

这篇文章将为大家详细讲解有关机器学习中怎么评估分类效果，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。

给你一个问题，假如老板让另一个同事去检查一万张纸币中，有多少是真币，有多少是假币，然后这个同事给老板汇报了结果：这一万张纸币中，有2千张是真币，有8千张是假币。现在，老板让你来评估这个同事的汇报结果，你会怎么做？

你重新把一万张纸币再用机器过一遍再做对比，或者把这个同事的2千张真币与8千张假币再过一遍，这都是可以的。但是，假如不允许你这样做呢，比如一万张纸币变成了1百万张，不可能给你时间再全部来一遍，那你怎么做？

抽查啊。

似乎就这一招，那么要怎么抽查才能合理地评估同事汇报的结果呢？

一般的做法是这样的，先在2千张真币上抽查：“你说这些都是真币，哪到底有多少是真的呢？” 这个比例，在数据分析中，叫Precision，精度或精准度。如果100%是真的，那当然是最好的。但即使精准度是100%，也不能说明这个汇报结果就ok了，因为，另外8千张“假币”中也有可能全是真币啊。

所以，还要在8千张假币中抽查：“你说都是假的，哪到底有多少是假的呢？” 这个比例，也能说明问题，假如抽了一百张，结果有90张都是真币（只有10%真是假币），那说这8千张都是假币就显得很不可信。这个比例，小程觉得它也叫作精准度，就是“你说的假中，到底有多少是假”，值越大越好。

那除了精准度，是不是就够了呢？

看起来是够了，因为，精准度反应了“判是非”的能力。以上面的例子来说，比如判断为真币的精度是98%，那就意味着只有2%的假币被误判为真币了，所以我把假币判断为真币的可能性是很低的（假设2%在业界是很低的：-）。再比如，假设判断为假币的精度是95%，那就意味着只有5%的真币给误判成假币了。在这种情况下，把假的判断成真的，或把真的判断成假的，比例都很低。这不就完了吗？这说明“判是非”的能力很强啊，这个预测系统是可信的啊，它不会把真假误判啊，你给它一堆纸币，它就能给你分辨真假，不会出错啊。

但是，这里有一个前提，这个系统要在判断后，你才知道是不是判断对了。如果这个系统对所有纸币都不判断，或者者1万张纸币中只判断了1千张，那你还指望它做什么？它是很准啊，但是，它只有判断出来的才很准，还有很多是没有判断出来的！但话说回来，其实只要很准（精度高），就有使用市场的，这个后面再说。

所以，这里还有一个指标，叫Sensitivity灵敏度，也叫Recall召回率。

召回率，反映了“找回”的能力，比如我给系统1千张真币，它能找出800张真币，那80%就是召回率。如果它的召回率是10%，那说明只找回了100张，还有900张是怎么回事？这时，有两个可能，一是判断不出来，比如这900张我就是判断不出来，所以就找不回来，另一个可能，就是误判了，比如900张我都误判为假币了。但是，误判说明什么？误判说明精度差啊，所以如果精度很高，那就只有一种可能，就是判断不出来。

所以，精度跟召回率都要看，精度反应了靠不靠谱（说什么是什么），召回率反应了能不能找到数据（覆盖了多少样本）。

不管是精度还是召回率，都只是一个数字，而为了得到这个数字，一般都是经过很多样本的预测考验才得出来的，所以把这些样本都反应出来就显得很必要了，这表明，我的“率”是有由来的。这时候，“混淆矩阵”就出场了。

混淆矩阵，也叫差错矩阵，名字都是从鬼文翻译过来的（由此可见，含义才是最重要的，鬼知道翻译到的是什么）。混淆矩阵是一张表格，一边是真实值，一边是预测值，横竖怎么摆都行，看下面这个图就明白了：

“混淆”表明了分类的能力，以上图为例，苹果的召回率（在一堆苹果中能捞回多少苹果的能力）是：90/(90+5+4+1)=90%，而香蕉、梨与草莓的召回率分别为80%、95%、97%。小程每个分类刚好用了100个真实值，为了方便心算能力不好的你。由此可见，右对角线上的值就是召回值，也就是判断准确的值。

再看精度，这里行表示了精度，比如苹果的精度是：90/(90+10+1+0)=89%，香蕉的精度是：80/(5+80+2+2)=89.9%，梨跟草莓分别是90.4%、92.4%。

然后，召回率跟精度一起来看，
苹果、 香蕉、 梨、     草莓
90%     80%     95%      97%
89%     89.9%  90.4%   92.4%

草莓的召回率跟精度都是最高的，让我们恭喜它！

除了召回率跟精度，对于分类器（上面预测苹果香蕉就是分类器）效果评估，还有两个指标，一个叫总的准确率，就是拿判断准确的值（右对角线上的值）相加，再除以总的样本数量，这里就是(90+80+95+97)/400=90.5%，另一个叫特异度，比如对于苹果，就是真的不是苹果的样本中，判断不是苹果的比例。但小程觉得这两个指标的参考意义不大。

从一张样本表，抽象出每个分类的召回率跟精度，如果再把抽象一下，就是每个分类的F1Score，它是召回率跟精度的整合：F1Score=2*精度*召回/(精度+召回)，上面的例子，苹果的F1Score=2*90%*89%/(90%+89%)=89.49%。

基本上，也就是用精度、召回率来描述分类器的质量了，最多再加个F1Score。

让我们再深入一点，问你一个问题，精度高可以用于什么场景？召回率高又可以用于什么场景？

精度高，就是不出错啰，说是什么就是什么，那可以用于分类，比如给一批样本过来，样本里面有ABCD几个分类，精度高的情况下，就可以指出哪些样本是A，哪些样本是B，等等。如果精度高，但召回率低，一样可以用于分类，只是，有很多A类的样本没有找出来（谁让你判断不出来），其它分类也一样。

召回率高，但精度低，那就是分类是不靠谱的，说是A结果可能是B，那就不要分类了，这时，因为召回率高，那可以用于筛选已有的分类，比如说有一批样本基本是A类，只是里面可能有一些B跟C，那就可以用这个分类器来筛选了，相当于纠错，因为召回率高，所以基本把A给找回来，其它的扔掉。

召回率高，精度也高，也既可用于分类，也可用于已有分类（真的分好了的）的筛选。

那如果召回率低，精度也低呢？那就是废的，用人工好了！

关于“机器学习中怎么评估分类效果”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。