300字范文 > 深入探讨分类模型评价指标

深入探讨分类模型评价指标

时间：2023-02-22 13:51:40

相关推荐

深入探讨分类模型评价指标

每天给你送来NLP技术干货！

来自：AI算法小喵

前言

众所周知，机器学习分类模型常用评价指标有Accuracy,Precision,Recall和F1-score，而回归模型最常用指标有MAE和RMSE。

那么，这些评价指标的意义究竟是什么？今天我们就一起来对多分类模型的评价指标（Accuracy,Precision,Recall以及F1-score）进行深入的探讨：

在具体场景中（如：不均衡多分类）应以哪种指标为主要参考呢？

多分类模型和二分类模型的评价指标有什么区别？

在多分类任务中，为什么有：Accuracy = micro precision = micro recall = micro-F1?

什么时候应用macro,weighted,microprecision/recall/F1-score？

1.Accuracy的不足

在探讨这些问题前，让我们先回顾一下最常见的指标Accuracy到底有哪些不足。

1.1 Accuracy指标

Accuracy是分类任务中最常用的指标，它表示的是分类正确的预测数在总预测数中占据的比例。

1.2 Accuracy的缺陷

但是，对不平衡数据集而言，Accuracy并不是一个好指标。

假设我们有100张图片，其中91张是狗，5张是猫，4张是猪。我们希望训练出一个三分类器来正确判定图片中动物的类别。其中狗这个类别是大多数类(majority class)，也就是说狗的样本数量远超过其他类别（猫、猪）的样本量。

这时，若采用Accuracy指标来评估分类器的好坏，即使模型性能很差 (比如：无论输入什么图片，预测结果均为狗)，也可以得到较高的Accuracy Score（如：91%）。此时，虽然Accuracy Score很高，但是意义不大。

当数据异常不平衡时，Accuracy评估方法的缺陷尤为显著。因此，我们需要引入Precision（精准度），Recall（召回率）和F1-score评估指标。考虑到二分类和多分类模型中，评估指标的计算方法略有不同，我们将其分开讨论。

2. 二分类模型常见指标解析

在二分类任务中，假设该样本一共有两种类别：Positive和Negative。当分类器预测结束，我们可以绘制出混淆矩阵（confusion matrix）:

其中分类结果分为如下几种：

TP(True Positive): 把正样本成功预测为正。

TN(True Negative)：把负样本成功预测为负。

FP(False Positive)：把负样本错误地预测为正。

FN(False Negative)：把正样本错误地预测为负。

2.1 二分类模型相关指标

二分类模型中，Accuracy，Precision，Recall和F1 score的定义如下：

其中，Precision着重评估在预测为Positive的所有数据中，真实Positve的数据到底占多少？Recall着重评估：在所有的Positive数据中，到底有多少数据被成功预测为Positive?

2.2 以哪种指标为主要参考

以医院开发的癌症AI诊断系统的性能评估为例。在这个例子中，病人得了癌症定义为Positive，没得癌症定义为Negative。

如用Precision对系统进行评估，那么其回答的问题就是：

在诊断为癌症的一堆人中，到底有多少人真得了癌症？

如用Recall对系统进行评估，那么其回答的问题就是：

在一堆得了癌症的病人中，到底有多少人能被成功检测出癌症？

如用Accuracy对系统进行评估，那么其回答的问题就是：

在一堆癌症病人和正常人中，有多少人被系统给出了正确诊断结果（患癌或没患癌）？

（1）更注重Recall而不是Precision

当FN的成本代价很高 (后果很严重)，希望尽量避免产生FN时，应该着重考虑提高Recall指标。

在上述例子里，FN是得了癌症的病人没有被诊断出癌症，这种情况是最应该避免的。我们宁可把健康人误诊为癌症 (FP)，也不能让真正患病的人检测不出癌症 (FN) 而耽误治疗离世。在这里，癌症诊断系统的目标是：尽可能提高Recall值，哪怕牺牲一部分Precision。

（2）更注重Precision而不是Recall

当FP的成本代价很高 (后果很严重)时，即期望尽量避免产生FP时，应该着重考虑提高Precision指标。

以垃圾邮件屏蔽系统为例，垃圾邮件为Positive，正常邮件为Negative，FP是把正常邮件识别为垃圾邮件，这种情况是最应该避免的（你能容忍一封重要工作邮件直接进了垃圾箱，被不知不觉删除吗？）。

我们宁可把垃圾邮件标记为正常邮件 (FN)，也不能让正常邮件直接进垃圾箱 (FP)。在这里，垃圾邮件屏蔽系统的目标是：尽可能提高Precision值，哪怕牺牲一部分recall。

（3）F1-Score

F1-Score是Precision和Recall二者的调和平均。

举个更有意思的例子，假设检察机关想将罪犯捉拿归案，需要对所有人群进行分析，以判断某人犯了罪（Positive），还是没犯罪（Negative）。显然，检察机关希望不漏掉一个罪人（提高recall），也不错怪一个好人（提高precision），所以就需要同时权衡recall和precision两个指标。

「天网恢恢，疏而不漏，任何罪犯都插翅难飞」更偏向Recall，「绝不冤枉一个好人，但难免有罪犯成为漏网之鱼，逍遥法外」更偏向Precision。到底哪种更好呢？显然，极端并不可取。Precision和Recall都应该越高越好，也就是F1应该越高越好。

3. 多分类模型的常见指标解析

在多分类（大于两个类）问题中，假设我们要开发一个动物识别系统，来区分输入图片是猫，狗还是猪。给分类器一堆动物图片，产生了如下结果混淆矩阵。

在混淆矩阵中，正确的分类样本（Actual label = Predicted label）分布在左上到右下的对角线上。其中，Accuracy的定义为分类正确（对角线上）的样本数与总样本数的比值。Accuracy度量的是全局样本预测情况，而对于Precision和Recall而言，每个类都需要单独计算其Precision和Recall。

比如，对类别猪而言，其Precision和Recall分别为:

402 Payment Required

以P代表Precision，R代表Recall。也就是有:

如果想评估该识别系统的总体功能，必须考虑猫、狗、猪三个类别的综合预测性能。那么，要怎么综合这三个类别的相关指标呢？是简单加起来做平均吗？通常来说，我们有如下几种解决方案（也可参考scikit-learn官网[1]）。

3.1 Macro-average方法

Macro-average方法最简单，它给予所有类别相同的权重，然后直接将不同类别的评估指标（Precision/Recall/F1-score）加起来求平均。该方法能够平等看待每个类别，但是它的值会受稀有类别影响。

402 Payment Required

3.2 Weighted-average方法

Weighted-average方法给不同类别不同权重（权重根据该类别的真实分布比例确定），每个类别乘权重后再进行相加。该方法考虑了类别不平衡情况，它的值更容易受到常见类（majority class）的影响。

假设以W代表权重，N代表样本在该类别下的真实数目，我们有：

402 Payment Required

那么指标计算如下：

402 Payment Required

3.3 Micro-average方法

Micro-average方法把每个类别的TP,FP,FN先相加之后，然后根据二分类的公式进行计算：

402 Payment Required

其中，特别有意思的是，Micro-precision和Micro-recall竟然始终相同（需要注意，这个结论在实体识别等任务中不成立）！因为在某一类中的FP样本，一定是其他某类别的FN样本。听起来有点抽象？举个例子，比如说系统错把狗预测成猫，那么对于狗而言，其错误类型就是FN，对于猫而言，其错误类型就是FP。与此同时，Micro-precision和Micro-recall的数值都等于Accuracy，因为它们计算了对角线样本数和总样本数的比值，总结就是：

402 Payment Required

最后运行一下代码，检验手动计算结果是否和Sklearn包结果一致：

importnumpyasnpimportseabornassnsfromsklearn.metricsimportconfusion_matriximportpandasaspdimportmatplotlib.pyplotaspltfromsklearn.metricsimportaccuracy_score,average_precision_score,precision_score,f1_score,recall_score#createconfusionmatrixy_true=np.array([-1]*70+[0]*160+[1]*30)y_pred=np.array([-1]*40+[0]*20+[1]*20+[-1]*30+[0]*80+[1]*30+[-1]*5+[0]*15+[1]*20)cm=confusion_matrix(y_true,y_pred)conf_matrix=pd.DataFrame(cm,index=['Cat','Dog','Pig'],columns=['Cat','Dog','Pig'])#plotsizesettingfig,ax=plt.subplots(figsize=(4.5,3.5))sns.heatmap(conf_matrix,annot=True,annot_kws={"size":19},cmap="Blues")plt.ylabel('Truelabel',fontsize=18)plt.xlabel('Predictedlabel',fontsize=18)plt.xticks(fontsize=18)plt.yticks(fontsize=18)plt.savefig('confusion.pdf',bbox_inches='tight')plt.show()

print('------Weighted------')print('Weightedprecision',precision_score(y_true,y_pred,average='weighted'))print('Weightedrecall',recall_score(y_true,y_pred,average='weighted'))print('Weightedf1-score',f1_score(y_true,y_pred,average='weighted'))print('------Macro------')print('Macroprecision',precision_score(y_true,y_pred,average='macro'))print('Macrorecall',recall_score(y_true,y_pred,average='macro'))print('Macrof1-score',f1_score(y_true,y_pred,average='macro'))print('------Micro------')print('Microprecision',precision_score(y_true,y_pred,average='micro'))print('Microrecall',recall_score(y_true,y_pred,average='micro'))print('Microf1-score',f1_score(y_true,y_pred,average='micro'))

运算结果完全一致。