盡管大模型非常強(qiáng)大， 但是解決實(shí)踐的問題也可以不全部依賴于大模型。一個(gè)不太確切的類比，解釋現(xiàn)實(shí)中的物理現(xiàn)象，未必要用到量子力學(xué)。有些相對(duì)簡單的問題，或許一個(gè)統(tǒng)計(jì)分布就足夠了。對(duì)機(jī)器學(xué)習(xí)而言， 也不用言必深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)，關(guān)鍵在于明確問題的邊界。

那么在使用ML解決相對(duì)簡單問題的時(shí)候，如何評(píng)估一個(gè)機(jī)器學(xué)習(xí)模型的性能呢？這里給出了10個(gè)相對(duì)常用的評(píng)價(jià)指標(biāo)，希望對(duì)產(chǎn)研同學(xué)有所幫助。

1. 準(zhǔn)確率

準(zhǔn)確率是機(jī)器學(xué)習(xí)領(lǐng)域中的一個(gè)基礎(chǔ)評(píng)價(jià)指標(biāo)，通常用于快速地了解模型的性能。通過簡單地計(jì)算模型正確預(yù)測的實(shí)例數(shù)量與數(shù)據(jù)集中總實(shí)例數(shù)量的比例，準(zhǔn)確率提供了一個(gè)直觀的方式來衡量模型的準(zhǔn)確性。

圖片

然而，準(zhǔn)確率作為一個(gè)評(píng)價(jià)指標(biāo)，在處理不平衡數(shù)據(jù)集時(shí)可能會(huì)顯得力不從心。不平衡數(shù)據(jù)集是指某一類別的實(shí)例數(shù)量明顯超過其他類別的數(shù)據(jù)集。在這種情況下，模型可能會(huì)傾向于預(yù)測數(shù)量較多的類別，從而導(dǎo)致準(zhǔn)確率的虛高。

此外，準(zhǔn)確率無法提供關(guān)于假陽性和假陰性的信息。假陽性是指模型錯(cuò)誤地將負(fù)類實(shí)例預(yù)測為正類實(shí)例的情況，而假陰性則是指模型錯(cuò)誤地將正類實(shí)例預(yù)測為負(fù)類實(shí)例的情況。在評(píng)估模型性能時(shí)，區(qū)分假陽性和假陰性是非常重要的，因?yàn)樗鼈儗?duì)模型的性能有著不同的影響。

綜上所述，雖然準(zhǔn)確率是一個(gè)簡單易懂的評(píng)價(jià)指標(biāo)，但在處理不平衡數(shù)據(jù)集時(shí)，我們需要更加謹(jǐn)慎地解釋準(zhǔn)確率的結(jié)果。

2. 精確度

精確度是一個(gè)重要的評(píng)價(jià)指標(biāo)，它專注于衡量模型對(duì)正樣本的預(yù)測準(zhǔn)確性。與準(zhǔn)確率不同，精確度計(jì)算的是模型預(yù)測為正樣本的實(shí)例中，實(shí)際為正樣本的比例。換句話說，精確度回答了一個(gè)問題：“當(dāng)模型預(yù)測一個(gè)實(shí)例為正樣本時(shí)，這個(gè)預(yù)測有多少概率是準(zhǔn)確的？”一個(gè)高精確度的模型意味著，當(dāng)它預(yù)測一個(gè)實(shí)例為正樣本時(shí)，這個(gè)實(shí)例很有可能確實(shí)是正樣本。

圖片

在某些應(yīng)用中，如醫(yī)療診斷或欺詐檢測，模型的精確度尤為重要。在這些場景中，假陽性（即錯(cuò)誤地將負(fù)樣本預(yù)測為正樣本）的后果可能是非常嚴(yán)重的。例如，在醫(yī)療診斷中，一個(gè)假陽性的診斷可能導(dǎo)致不必要的治療或檢查，給患者帶來不必要的心理和生理壓力。在欺詐檢測中，假陽性可能會(huì)導(dǎo)致無辜的用戶被錯(cuò)誤地標(biāo)記為欺詐行為者，從而影響用戶體驗(yàn)和公司的聲譽(yù)。

因此，在這些應(yīng)用中，確保模型具有高的精確度至關(guān)重要。只有通過提高精確度，我們才能降低假陽性的風(fēng)險(xiǎn)，從而減少誤判帶來的負(fù)面影響。

3. 召回率

召回率是一個(gè)重要的評(píng)價(jià)指標(biāo)，用于衡量模型對(duì)所有實(shí)際正樣本的正確預(yù)測能力。具體來說，召回率計(jì)算的是模型預(yù)測為真陽性的實(shí)例與實(shí)際正樣本總數(shù)的比率。這個(gè)指標(biāo)回答了一個(gè)問題：“在所有實(shí)際為正樣本的實(shí)例中，模型正確預(yù)測了多少？”

與精確度不同，召回率關(guān)注的是模型對(duì)實(shí)際正樣本的查全能力。即使模型對(duì)某個(gè)正樣本的預(yù)測概率較低，只要該樣本實(shí)際上是正樣本，并且被模型正確預(yù)測為正樣本，那么這個(gè)預(yù)測就會(huì)計(jì)入召回率的計(jì)算中。因此，召回率更關(guān)注模型是否能夠找到盡可能多的正樣本，而不僅僅是預(yù)測概率較高的那些。

圖片

在某些應(yīng)用場景中，召回率的重要性尤為突出。比如在疾病檢測中，如果模型遺漏了實(shí)際患病的患者，可能會(huì)導(dǎo)致病情的延誤和惡化，給患者帶來嚴(yán)重后果。又比如在客戶的流失預(yù)測中，如果模型沒有正確識(shí)別出可能流失的客戶，企業(yè)可能會(huì)失去采取挽留措施的機(jī)會(huì)，從而損失重要客戶。

因此，在這些場景中，召回率成為了一個(gè)至關(guān)重要的指標(biāo)。一個(gè)具有高召回率的模型能夠更好地找到實(shí)際的正樣本，減少遺漏的風(fēng)險(xiǎn)，從而避免可能產(chǎn)生的嚴(yán)重后果。

4. F1 評(píng)分

F1評(píng)分是一個(gè)綜合性的評(píng)價(jià)指標(biāo)，旨在在準(zhǔn)確率和召回率之間尋求平衡。它實(shí)際上是準(zhǔn)確率和召回率的調(diào)和平均值，將這兩個(gè)指標(biāo)合并為一個(gè)單一的分?jǐn)?shù)，從而提供了一種同時(shí)考慮假陽性和假陰性的評(píng)估方式。

圖片

在許多實(shí)際應(yīng)用中，我們往往需要在準(zhǔn)確率和召回率之間做出權(quán)衡。準(zhǔn)確率關(guān)注模型預(yù)測的正確性，而召回率則關(guān)注模型是否能夠找到所有實(shí)際的正樣本。然而，過分強(qiáng)調(diào)其中一個(gè)指標(biāo)往往會(huì)損害另一個(gè)指標(biāo)的性能。例如，為了提高召回率，模型可能會(huì)增加對(duì)正樣本的預(yù)測，但這同時(shí)也可能增加假陽性的數(shù)量，從而降低準(zhǔn)確率。

F1評(píng)分正是為了解決這一問題而設(shè)計(jì)的。它綜合考慮了準(zhǔn)確率和召回率，避免了我們?yōu)榱藘?yōu)化一個(gè)指標(biāo)而犧牲另一個(gè)指標(biāo)的情況。通過計(jì)算準(zhǔn)確率和召回率的調(diào)和平均值，F(xiàn)1評(píng)分在兩者之間取得了一個(gè)平衡點(diǎn)，使得我們能夠在不偏袒任何一方的情況下評(píng)估模型的性能。

因此，當(dāng)你需要一個(gè)指標(biāo)來綜合考慮準(zhǔn)確率和召回率，并且不希望偏袒其中一個(gè)指標(biāo)時(shí)，F(xiàn)1評(píng)分是一個(gè)非常有用的工具。它提供了一個(gè)單一的分?jǐn)?shù)，簡化了模型性能的評(píng)估過程，并且?guī)椭覀兏玫乩斫饽Ｐ驮趯?shí)際應(yīng)用中的表現(xiàn)。

5. ROC-AUC

ROC-AUC是一種在二進(jìn)制分類問題中廣泛使用的性能度量方法。它衡量的是ROC曲線下的面積，而ROC曲線則描繪了在不同閾值下，真陽性率（也稱為敏感度或召回率）與假陽性率之間的關(guān)系。

圖片

ROC曲線提供了一種直觀的方式來觀察模型在各種閾值設(shè)置下的性能。通過改變閾值，我們可以調(diào)整模型的真陽性率和假陽性率，從而獲得不同的分類結(jié)果。ROC曲線越靠近左上角，表明模型在區(qū)分正負(fù)樣本方面的性能越好。

而AUC（曲線下的面積）則提供了一個(gè)量化的指標(biāo)來評(píng)估模型的辨別能力。AUC值介于0和1之間，越接近1表示模型的辨別能力越強(qiáng)。一個(gè)高的AUC分?jǐn)?shù)意味著模型能夠很好地區(qū)分正樣本和負(fù)樣本，即模型對(duì)于正樣本的預(yù)測概率高于負(fù)樣本的預(yù)測概率。

因此，當(dāng)我們想要評(píng)估模型在區(qū)分類別方面的能力時(shí)，ROC-AUC是一個(gè)非常有用的度量指標(biāo)。相比其他指標(biāo)，ROC-AUC具有一些獨(dú)特的優(yōu)勢。它不受閾值選擇的影響，可以綜合考慮模型在各種閾值下的性能。此外，ROC-AUC還對(duì)于類別不平衡問題相對(duì)穩(wěn)健，即使在正負(fù)樣本數(shù)量不均衡的情況下，仍然能夠給出有意義的評(píng)估結(jié)果。

ROC-AUC是一種非常有價(jià)值的性能度量方法，尤其適用于二進(jìn)制分類問題。通過觀察和比較不同模型的ROC-AUC得分，我們可以更加全面地了解模型的性能，并選擇出具有更好辨別能力的模型。

6. PR-AUC

PR-AUC（精度-召回曲線下的面積）是一種性能度量方法，與ROC-AUC類似，但關(guān)注點(diǎn)略有不同。PR-AUC測量的是精度-召回曲線下的面積，該曲線描繪了在不同閾值下精確性與召回率之間的關(guān)系。

圖片

與ROC-AUC相比，PR-AUC更注重精確性和召回率之間的權(quán)衡。精確性衡量的是模型預(yù)測為正樣本的實(shí)例中實(shí)際為正樣本的比例，而召回率衡量的是在所有實(shí)際為正樣本的實(shí)例中，模型正確預(yù)測為正樣本的比例。在不平衡的數(shù)據(jù)集中，或者當(dāng)假陽性比假陰性更受關(guān)注時(shí)，精確性和召回率之間的權(quán)衡尤為重要。

在不平衡的數(shù)據(jù)集中，一個(gè)類別的樣本數(shù)量可能遠(yuǎn)遠(yuǎn)超過另一個(gè)類別的樣本數(shù)量。這種情況下，ROC-AUC可能無法準(zhǔn)確反映模型的性能，因?yàn)樗饕P(guān)注真陽性率和假陽性率之間的關(guān)系，而不直接考慮類別的不平衡性。相比之下，PR-AUC通過精確性和召回率的權(quán)衡來更全面地評(píng)估模型的性能，在不平衡數(shù)據(jù)集上更能體現(xiàn)模型的效果。

此外，當(dāng)假陽性比假陰性更受關(guān)注時(shí)，PR-AUC也是一個(gè)更合適的度量指標(biāo)。因?yàn)樵谀承?yīng)用場景中，錯(cuò)誤地將負(fù)樣本預(yù)測為正樣本（假陽性）可能會(huì)帶來更大的損失或負(fù)面影響。例如，在醫(yī)療診斷中，錯(cuò)誤地將健康人診斷為患病者可能會(huì)導(dǎo)致不必要的治療和焦慮。在這種情況下，我們更希望模型具有高的精確性，以減少假陽性的數(shù)量。

綜上所述，PR-AUC是一種適用于不平衡數(shù)據(jù)集或關(guān)注假陽性的場景的性能度量方法。它可以幫助我們更好地了解模型在精確性和召回率之間的權(quán)衡，并選擇合適的模型以滿足實(shí)際需求。

7. FPR/TNR

假陽性率（FPR）是一個(gè)重要指標(biāo)，用于衡量模型在所有實(shí)際陰性樣本中錯(cuò)誤地預(yù)測為正樣本的比例。它是特異性的補(bǔ)充指標(biāo)，與真陰性率（TNR）相對(duì)應(yīng)。當(dāng)我們想要評(píng)估模型避免誤報(bào)的能力時(shí)，F(xiàn)PR成為一個(gè)關(guān)鍵要素。誤報(bào)可能會(huì)導(dǎo)致不必要的擔(dān)憂或資源浪費(fèi)，因此，了解模型的FPR對(duì)于確定其在實(shí)際應(yīng)用中的可靠性至關(guān)重要。通過降低FPR，我們可以提高模型的精確性和準(zhǔn)確性，從而確保僅在實(shí)際存在正樣本時(shí)發(fā)出陽性預(yù)測。

圖片

另一方面，真陰性率（TNR），也被稱為特異性，是一種衡量模型正確識(shí)別陰性樣本的指標(biāo)。它計(jì)算的是模型預(yù)測為真陰性的實(shí)例占實(shí)際總陰性的比例。在評(píng)估模型時(shí)，我們往往關(guān)注模型對(duì)于正樣本的識(shí)別能力，但同樣重要的是模型在識(shí)別負(fù)樣本方面的表現(xiàn)。高TNR意味著模型能夠準(zhǔn)確地識(shí)別出陰性樣本，即在實(shí)際為負(fù)樣本的實(shí)例中，模型預(yù)測為負(fù)樣本的比例較高。這對(duì)于避免誤判和提高模型的整體性能至關(guān)重要。

8. 馬修斯相關(guān)系數(shù)（MCC）

MCC（Matthews 相關(guān)系數(shù)）是一個(gè)在二元分類問題中使用的度量值，它為我們提供了一種綜合考慮了真陽性、真陰性、假陽性和假陰性關(guān)系的評(píng)估方式。與其他的度量方法相比，MCC的優(yōu)點(diǎn)在于它是一個(gè)范圍在-1到1之間的單一值，其中-1表示模型的預(yù)測與實(shí)際結(jié)果完全不一致，1表示模型的預(yù)測與實(shí)際結(jié)果完全一致。

圖片

更為重要的是，MCC提供了一個(gè)平衡度量二元分類質(zhì)量的方式。在二元分類問題中，我們通常會(huì)關(guān)注模型對(duì)于正樣本和負(fù)樣本的識(shí)別能力，而MCC則同時(shí)考慮了這兩個(gè)方面。它不僅關(guān)注模型正確預(yù)測正樣本的能力（即真陽性），還關(guān)注模型正確預(yù)測負(fù)樣本的能力（即真陰性）。同時(shí)，MCC也將假陽性和假陰性納入考量，從而更全面地評(píng)估模型的性能。

在實(shí)際應(yīng)用中，MCC特別適用于處理不平衡數(shù)據(jù)集的情況。因?yàn)樵诓黄胶鈹?shù)據(jù)集中，一個(gè)類別的樣本數(shù)量遠(yuǎn)大于另一個(gè)類別，這往往會(huì)導(dǎo)致模型偏向于預(yù)測數(shù)量較多的類別。然而，MCC能夠平衡地考慮所有四個(gè)指標(biāo)（真陽性、真陰性、假陽性和假陰性），因此對(duì)于不平衡數(shù)據(jù)集，它通常能提供一個(gè)更為準(zhǔn)確和全面的性能評(píng)估。

總的來說，MCC是一種強(qiáng)大且全面的二元分類性能度量工具。它不僅綜合考慮了所有可能的預(yù)測結(jié)果，還提供了一個(gè)直觀的、范圍明確的數(shù)值來度量預(yù)測與實(shí)際結(jié)果的一致性。無論是在平衡還是不平衡的數(shù)據(jù)集上，MCC都是一個(gè)有用的度量指標(biāo)，能夠幫助我們更深入地理解模型的性能。

9. 交叉熵?fù)p失

交叉熵?fù)p失是一種在分類問題中常用的性能度量指標(biāo)，尤其適用于模型的輸出為概率值的情況。該損失函數(shù)用于量化模型預(yù)測的概率分布與實(shí)際標(biāo)簽分布之間的差異。

圖片

在分類問題中，模型的目標(biāo)通常是預(yù)測樣本屬于不同類別的概率。交叉熵?fù)p失正是用于評(píng)估模型預(yù)測概率與實(shí)際二進(jìn)制結(jié)果之間的一致性。它通過對(duì)預(yù)測概率進(jìn)行對(duì)數(shù)運(yùn)算，并與實(shí)際標(biāo)簽進(jìn)行比較，得出損失值。因此，交叉熵?fù)p失也被稱為對(duì)數(shù)損失。

交叉熵?fù)p失的優(yōu)勢在于它能夠很好地衡量模型對(duì)于概率分布的預(yù)測準(zhǔn)確性。當(dāng)模型的預(yù)測概率分布與實(shí)際標(biāo)簽分布相近時(shí)，交叉熵?fù)p失的值較低；反之，當(dāng)預(yù)測概率分布與實(shí)際標(biāo)簽分布差異較大時(shí)，交叉熵?fù)p失的值較高。因此，較低的交叉熵?fù)p失值意味著模型的預(yù)測更加準(zhǔn)確，即模型具有更好的校準(zhǔn)性能。

在實(shí)際應(yīng)用中，我們通常追求更低的交叉熵?fù)p失值，因?yàn)檫@代表著模型對(duì)于分類問題的預(yù)測更加準(zhǔn)確和可靠。通過優(yōu)化交叉熵?fù)p失，我們可以提升模型的性能，并使其在實(shí)際應(yīng)用中具備更好的泛化能力。因此，交叉熵?fù)p失是評(píng)估分類模型性能的重要指標(biāo)之一，它能夠幫助我們進(jìn)一步了解模型的預(yù)測準(zhǔn)確性以及是否需要進(jìn)一步優(yōu)化模型的參數(shù)和結(jié)構(gòu)。

10. 科恩卡帕系數(shù)

科恩卡帕系數(shù)是一種用于測量模型預(yù)測與實(shí)際標(biāo)簽之間一致性的統(tǒng)計(jì)工具，它尤其適用于分類任務(wù)的評(píng)估。與其他度量方法相比，它不僅計(jì)算模型預(yù)測與實(shí)際標(biāo)簽之間的簡單一致性，還對(duì)可能偶然發(fā)生的一致性進(jìn)行了校正，因此提供了一個(gè)更為準(zhǔn)確和可靠的評(píng)估結(jié)果。

在實(shí)際應(yīng)用中，特別是當(dāng)涉及多個(gè)評(píng)分者對(duì)同一組樣本進(jìn)行分類評(píng)分時(shí)，科恩卡帕系數(shù)非常有用。在這種情況下，我們不僅需要關(guān)注模型預(yù)測與實(shí)際標(biāo)簽的一致性，還需要考慮不同評(píng)分者之間的一致性。因?yàn)槿绻u(píng)分者之間存在顯著的不一致性，那么模型性能的評(píng)估結(jié)果可能會(huì)受到評(píng)分者主觀性的影響，從而導(dǎo)致評(píng)估結(jié)果的不準(zhǔn)確。

通過使用科恩卡帕系數(shù)，可以校正這種可能偶然發(fā)生的一致性，從而更準(zhǔn)確地評(píng)估模型性能。具體來說，它計(jì)算了一個(gè)介于-1和1之間的值，其中1表示完全一致性，-1表示完全不一致性，而0表示隨機(jī)一致性。因此，一個(gè)較高的Kappa值意味著模型預(yù)測與實(shí)際標(biāo)簽之間的一致性超過了偶然期望的一致性，這表明模型具有較好的性能。

圖片

科恩卡帕系數(shù)可以幫助我們更準(zhǔn)確地評(píng)估分類任務(wù)中模型預(yù)測與實(shí)際標(biāo)簽之間的一致性，同時(shí)校正可能偶然發(fā)生的一致性。在涉及多個(gè)評(píng)分者的場景中，它尤其重要，因?yàn)樗軌蛱峁┮粋€(gè)更為客觀和準(zhǔn)確的評(píng)估結(jié)果。

小結(jié)

機(jī)器學(xué)習(xí)模型評(píng)價(jià)的指標(biāo)有很多，本文給出了其中一些主要的指標(biāo)：

• 準(zhǔn)確率（Accuracy）：正確預(yù)測的樣本數(shù)占總樣本數(shù)的比例。
• 精確率（Precision）：正真（True Positive，TP）樣本占所有預(yù)測為正（TP和FP）樣本的比例，體現(xiàn)了模型對(duì)正樣本的識(shí)別能力。
• 召回率（Recall）：正真（True Positive，TP）樣本占所有真實(shí)為正（TP和FN）樣本的比例，體現(xiàn)了模型發(fā)現(xiàn)正樣本的能力。
• F1值：精確率和召回率的調(diào)和平均值，同時(shí)考慮了精確率和召回率。
• ROC-AUC：ROC曲線下的面積，ROC曲線是真正率（True Positive Rate，TPR）與假正率（False Positive Rate，F(xiàn)PR）的函數(shù)。AUC越大，模型的分類性能越好。
• PR-AUC：精度-召回曲線下的面積，它專注于精確性和召回率之間的權(quán)衡，更適合不平衡的數(shù)據(jù)集。
• FPR/TNR：FPR衡量模型誤報(bào)能力，TNR衡量模型正確識(shí)別負(fù)樣本的能力。
• 交叉熵?fù)p失：用于評(píng)估模型預(yù)測概率與實(shí)際標(biāo)簽之間的差異。較低的值表示更好的模型校準(zhǔn)和準(zhǔn)確性。
• 馬修斯相關(guān)系數(shù)（MCC）：一個(gè)綜合考慮了真陽性、真陰性、假陽性和假陰性關(guān)系的度量值，提供了二元分類質(zhì)量的平衡度量。
• 科恩卡帕系數(shù)（cohen's kappa): 評(píng)估分類任務(wù)模型性能的重要工具，能準(zhǔn)確測量預(yù)測與標(biāo)簽的一致性，并校正偶然一致性，尤其在多個(gè)評(píng)分者場景中更具優(yōu)勢。

以上各個(gè)指標(biāo)各有特點(diǎn)，適用于不同的問題場景。在實(shí)際應(yīng)用中，可能需要結(jié)合多個(gè)指標(biāo)來全面評(píng)價(jià)模型的性能。