分類問題就像披著羊皮的狼，看起來天真無害用起來天雷滾滾。比如在建模前你思考過下面的問題么？

• 你的分類模型輸出的概率只是用來做樣本間的相對排序，還是概率本身？
• 你的訓練數據本身分布如何是否存在Imbalanced Sample？

要是您都想到了拜拜?。要是有1各您感興趣的問題，那就接著往下看吧。本來是想先回顧一下各個分類問題中可能用到的metric，但是又覺得讀的人可能覺得無聊，就分成了兩章。要是有的指標斷片了就來這里回憶一下: 回憶篇

問題1 Rank or Probability?

分類問題可以根據對輸出形式的要求分成兩類

一種我們只關心排序。比如電商場景下，用戶是否會回購某商品，我們更關心用戶回購商品A的概率是否高于用戶回購商品B的概率，然后把回購概率更高的商品放在推薦列表前面。這時分類問題其實是用來排序的。--樣本間的相對排序比較比絕對概率更重要

另一種我們關心概率。比如現在大家都在談增長，我們想知道一個用戶明天在app活躍的概率，只知道用戶A比用戶B活躍的概率高并不夠，我們需要明確知道用戶A活躍的概率，究竟是90%還是50%，這樣才能對高/低于特定概率的用戶進行一定（促活/喚醒）操作。這時分類問題是對真實概率的估計 --樣本的絕對概率需要接近真實概率，并且天極穩定

有人會問，上述兩種需求究竟對解決一個二分類問題有什么影響？ 答案是損失函數/評價指標

讓我們來看一個直觀的例子，下圖我們嘗試用LightGBM解決一個二分類問題,我們選擇的擬合指標是最大化AUC。

X軸是預測概率，Y軸是真實概率，藍線是LGB的預測結果，綠線對應真實概率=預測概率。為什么模型的AUC高達98.93%(這里還有ImbalancedSample的影響，讓我們先忽略這一點)，但是預測概率和真實概率卻差到了姥姥家。

讓我們對預測概率再做一層處理，黃線可以簡單理解為我們對LGB的預測結果做了一層映射 \(\hat{p} \to f(\hat{p})\)，這時校準后的預測概率和真實概率基本一致了。但是有趣的是校準后的預測概率AUC = 98.94%和原始預測基本沒差別？！

Duang Duang Duang!敲黑板！AUC是對相對概率排序的檢驗！其實只要用心（我學AUC的時候一定沒用心>_<）看一下AUC的計算方式就會發現，AUC只關心給定各個閾值，把樣本按照預測概率分成0/1，并計算正負樣本預測的準確率。

舉個最夏天的例子，兩個瓜一個甜一個不甜，我們訓練一個西瓜模型來預測它們甜（1）/不甜（0）。
模型1: 甜的瓜預測概率是0.8，不甜的瓜預測概率是0.1，
模型2: 甜的瓜預測概率是0.51，不甜的瓜預測概率是0.49
兩個模型的AUC是相同的，因為它們都完美對兩個瓜進行了分類。

所以當使用最大化AUC作為損失函數時，當正負樣本的預測準確率不再提高，模型就會停止學習。這時模型的預測概率并不是對真實概率的擬合。那如何才能得到對真實概率的預測？ 答案是logloss/cros-entropy

\[ \begin{align} L &= \sum_{i=1}^N y_i * log(p_i) + (1-y_i) *log(1-p_i)\\ \end{align} \]

我們可以從兩個角度來理解為什么logloss是對真實概率的估計

從極大似然估計的角度
logloss可以由極大似然函數取對數得到，最小化logloss對應的最大化似然函數。\(p_i\)是對\(p(y_i=1)\)的估計
\[ argmax_p \prod_{i=1}^N {p_i}^{y_i} * {(1-p_i)}^{1-y_i} \]

從信息論的角度
不熟悉信息論的同學看這里 Intro to Information Theory
logloss也叫cross-entropy(交叉熵),用來衡量兩個分布的相似程度。
交叉熵本身可以分解為P本身的信息熵+分布P和分布q之間的距離。這里P是樣本的真實分布信息,信息熵一定。所以最小化交叉熵就變成了最小化分布p和q之間的距離，也就是樣本分布和模型估計間的距離，如下
\[ \begin{align} crossentropy &= H(p,q)\\ &= -\sum_{c=1}^C p(c) * log(q(c))\\ & = - \sum_{c=1}^C p(c) * log(p(c)) + \sum_{c=1}^C p(c)[log(p(c) - log(q(c)))] \\ &= H(p) + KL(p||q)\\ \end{align} \]
乍一看會覺得交叉熵和logloss長的不像一家人。因為在訓練模型時分布p是從訓練樣本的分布中抽象得到的。二分類問題中C=2, 讓我們把上述交叉熵再推一步
\[ \begin{align} H(p,q) &= p *log(q) + (1-p) *log(1-q) \\ p& = \sum_{i=1}^N I(y_i=1)/N \\ H(p,q) &= \frac{1}{N} \sum_i I(y_i=1) *log(q)+ I(y_i=0) *log(1-q) \\ \end{align} \]
所以下次解決分類問題，如果你的目標是計算對真實概率的估計的話，別選錯指標喲�

興趣卡片- 預測概率校準
其實黃線用了Isotonic Regression來校準預測概率。是一種事后將預測概率根據真實概率進行校準的方法。感興趣的可以看一下Reference里面的材料1，2。原理并不復雜，但在分析特定算法，尤其是boosting,bagging類的集合算法為什么使用loggloss對概率估計依舊會有偏的部分蠻有趣的

問題2 Imbalanced Sample ？

正負樣本分布不均大概是分類問題中最常遇到的問題。正確解決Imbalane問題需要注意的并不只是評價指標，往往還要注意采樣和訓練集測試集的劃分。但這里我們只討論在解決樣本分布不均的問題時，我們應該選擇什么指標來評價模型表現。讓我們挨個來剔除不好用的指標。

舉個極端的例子，100個樣本里只有1個正樣本

Accuracy

這種情況下即便我們全部預測為負，我們的準確率依舊高達99%。所以Accuracy只適用于正負樣本均勻分布的情況，因為它把正負樣本的預測準確率柔和在一起看了。

AUC

AUC是fpr和tpr(recall)組成的ROC的曲線下面積。還記得我們在【回憶篇】里面說過fpr,tpr是分別衡量在正負樣本上的準確率的。

而fpr和tpr之間的trade-off,在正樣本占比很小的情況下，這種trad-off會被樣本量更大的一方主導。所以當正樣本占比很小的時候，AUC往往會看起來過于優秀。

但就像硬幣的正反面一樣，從另一個角度看這也是AUC的優點，就是AUC本身不會很大的受到樣本實際分布的影響，相同的模型相同的樣本，你把正樣本downsample /upsample 1倍，AUC不會有很大的改變。

下圖來自An introduction to ROC analysis, 上面的AUC和PR是正負樣本1:1的預測表現，下面是1:10的表現。我們會發現AUC基本沒有變化，但是precision-recall發生了劇烈變化。

AP/AUCPR

AP是recall和precision組成的PR的曲線下面積。這里recall和precision分別從真實分布和預測分布兩個角度衡量了對正樣本的預測準確率。說到這里已經有人反應過來了。是的這一對trade-off指標都是針對正樣本的，在計算中沒有用到True negative.所以當你的數據集存在Imbalance的時候，AP一般會是更好的選擇。

...你還遇到過啥問題嘞？歡迎留言

---

Reference

https://www.kaggle.com/residentmaio/notes-on-classification-probability-calibration/

Pedro G. Fonseca and Hugo D. Lopes. Calibration of Machine Learning Classifiers for Probability of Default Modelling

https://en.wikipedia.org/wiki/Confusion_matrix

Tom Fawcett，An introduction to ROC analysis

轉載于:https://www.cnblogs.com/gogoSandy/p/11123688.html

總結

以上是生活随笔為你收集整理的Binary classification - 聊聊评价指标的那些事儿【实战篇】的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。