7种常见的机器学习算法衡量指标

在做机器学习进行实验过程中，我们需要使用分类精度、均方误差等方法衡量模型的性能，从而判断训练出的模型的表现是否符合预期要求。本文整理了7种常见的机器学习算法衡量指标：分类精度、对数损失、混淆矩阵、曲线下面积(AUC)、F1分数、平均绝对误差、均方误差。

1. 分类精度

分类精度其实就是我们所说的准确性，是正确预测数占总样本数的比值。
Accuracy=NumberofCorrectpredictionsTotalnumberofpredictionsmade $Accuracy=\frac{NumberofCorrectpredictions}{Totalnumberofpredictionsmade}$
只有当属于每个类的样本数量相等时才有效。这个不难理解，假如我们的训练集中有90%的A类样本和10%的B类样本，然后我们的模型对A类样本表现的特别好，能准确的分类出A类样本，而不能分类出B类样本，则这个模型就能获得90%的分类精度。这给我们一种错觉，认为我们的模型表现的很好，但当在50%的A类样本和50%的B类样本的测试集中做测试时，测试精度就只有50%了。

2. 对数损失

对数损失适用于多类分类，他是通过惩罚错误分类来工作的，分类器必须为样本分配属于每个类的概率。假如有N个样本属于M类，则对数损失的计算如下：
LogarithmicLoss=−1N∑Ni=1∑Nj=1yij∗log(Pij) $LogarithmicLoss=\frac{-1}{N}\underset{i=1}{\overset{N}{\sum }}\underset{j=1}{\overset{N}{\sum }}{y}_{ij}\ast log(P_{ij})$
这里， yij $y_{ij}$表示样本i是否属于类别j
Pij $P_{ij}$表示样本i属于类别j的概率
对数损失函数的值域为0到正无穷。损失函数越接近0准确性越高，所以在训练过程中应尽可能减小对数损失函数来提高分类精度。

3. 混淆矩阵

混淆矩阵是其他很多度量类型的基础，是通过一个矩阵描述了模型的精确度。假如我们有一个二分类的问题，标签为YES和NO。在165个测试样本中我们测试了模型，得到如下结果：

矩阵的精确度可以通过取主对角线的平均值来计算，即：
Accuracy=TruePositives+FalseNegativesTotalNumberOfSamples $Accuracy=\frac{TruePositives+FalseNegatives}{TotalNumberOfSamples}$
所以这里面的精度为：
Accuracy=100+50165 $Accuracy=\frac{100+50}{165}$

4. 曲线下面积（AUC）

曲线下面积是适用于二分类问题，是评估中使用最广的指标之一。分类器的AUC等价于随机选择正样本高于随机选择负样本的概率。了解AUC首先需要了解以下术语：
True Positive Rate（真阳性率）:它被定义为
TPFN+TP $\frac{TP}{FN+TP}$.对于所有的正数据点，它对应于正数据点被正确认为是正的比例。
False Positive Rate（假阳性率）：它被定义为 FPFP+TN $\frac{FP}{FP+TN}$，即对应于所有的负数据点，负数据点被错误的认为是正的比例。False Positive Rate和True Positive Rate的值都在[0, 1]范围内。下图是[0,1]中不同点的False Positive Rate对True Positive Rate曲线下面积。

很明显，AUC的范围是[0, 1]，值越大，我们模型的性能越好。

5. F1分数

F1分数（F1 Score），是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。F1分数可以看作是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0。它会告诉我们分类器的精确程度(正确分类的实例数),以及它的稳健成都(它不会错过大量实例)。
高精度低召回率会带来高的精度，但也会错过很难分类的实例。F1得分越高我们的模型表现越好。F1可以表示为：
F1=2∗11precision+1recall $F1=2\ast \frac{1}{\frac{1}{precision}+\frac{1}{recall}}$

其中：Precision为它是正结果的数目除以分类器所预测的正结果的数目
Precision=TruePositiveTruePositive+FalsePositive $Precision=\frac{TruePositive}{TruePositive+FalsePositive}$
Recall为它是正结果数量除以分类器应该预测的正结果的数目(即为实际为正结果的数目)
Recall=TruePositiveTruePositive+FalseNegative $Recall=\frac{TruePositive}{TruePositive+FalseNegative}$

6. 平均绝对误差(Mean Absolute Error)

平均绝对误差是原始值于预测值之间的平均值，用来衡量预测与实际输出还差多远。但是它们并没有给出任何关于错误方向的信息。平均绝对误差用以下公式表达：
MeanAbsoluteError=1N∑Nj=1|yi−yj^| $MeanAbsoluteError=\frac{1}{N}\underset{j=1}{\overset{N}{\sum }}|y_i-\widehat{y_j}|$

7. 均方误差(Mean Squared Error)

均方差与平均绝对误差非常相似，唯一的区别在于MSE取原始值与取预测值之差的平方的平均值。MSE的优点是计算梯度更容易，而平均绝对误差需要更负责的线性编程工具来完成。均方误差用以下公式表达：
MeanSquaredError=1N∑Nj=1(yi−yj^)2 $MeanSquaredError=\frac{1}{N}\underset{j=1}{\overset{N}{\sum }}(y_i-\widehat{y_j}{)}^2$