机器学习实战笔记之非均衡分类问题

转载

mob604756f80175 2016-01-10 11:08:00

文章标签 正例召回率 javascript 反例 .net 文章分类 机器学习人工智能

通常情况下，我们直接使用分类结果的错误率就能够做为该分类器的评判标准了，可是当在分类器训练时正例数目和反例数目不相等时。这样的评价标准就会出现故障(比方我们有1000个正例，10个负例。此时预測中500个正例被预測正确。10个负例也被预測为正例。那么准确率为500/510,很高，可是召回率仅仅有500/1000=50%,很低。)。这样的现象也称为非均衡分类问题。

此时有下面几个衡量标准。

以下首先通过一副图来说明TP。FP。FN和TN的概念：

机器学习实战笔记之非均衡分类问题_正例

从图中能够看出形象的解释就是TP为预測为1而真实情况也为1的样本数量，FP为预測为1而真实情况为0的样本数量，FN为预測为0而真实情况为1的样本数量，TN为预測为0而真实情况为0的样本数量。

(1) 正确率<precise>和召回率<Recall>

例如以下图所看到的：当中准确率指预測的真实正例占全部预測为正例的比例，等于TP/(TP+FP)，而召回率指预測的真实正例占全部真实正例的比例，等于TP/(TP+FN)。在检索系统中称为查全率。通常我们能够非常easy的构照一个高正确率或高召回率的分类器。可是非常难同一时候保证两者成立。假设不论什么样本都被判为了正例。那么召回率达到百分之百而此时准确率非常低。构建一个同一时候使正确率和召回率最大的分类器是具有挑战性的。此时我们能够用F-Score =precise*recall/(precise+ recall) 这个量来衡量，越大越好。

(2) ROC曲线

机器学习实战笔记之非均衡分类问题_javascript_02

机器学习实战笔记之非均衡分类问题_正例_03

AUC计算工具：

http://mark.goadrich.com/programs/AUC/

def plotROC(predStrengths, classLabels):
    import matplotlib.pyplot as plt
    cur = (1.0,1.0) #cursor
    ySum = 0.0 #variable to calculate AUC
    numPosClas = sum(array(classLabels)==1.0)
    yStep = 1/float(numPosClas); xStep = 1/float(len(classLabels)-numPosClas)
    sortedIndicies = predStrengths.argsort()#get sorted index, it's reverse
    fig = plt.figure()         #这三行代码用于构建画笔
    fig.clf()
    ax = plt.subplot(111)
    #loop through all the values, drawing a line segment at each point
    for index in sortedIndicies.tolist()[0]:
        if classLabels[index] == 1.0:
            delX = 0; delY = yStep;
        else:
            delX = xStep; delY = 0;
            ySum += cur[1]
        #draw line from cur to (cur[0]-delX,cur[1]-delY)
        ax.plot([cur[0],cur[0]-delX],[cur[1],cur[1]-delY], c='b')
        cur = (cur[0]-delX,cur[1]-delY)
    ax.plot([0,1],[0,1],'b--')
    plt.xlabel('False positive rate'); plt.ylabel('True positive rate')
    plt.title('ROC curve for AdaBoost horse colic detection system')
    ax.axis([0,1,0,1])
    plt.show()
    print "the Area Under the Curve is: ",ySum*xStep