数据

 

一切要从分类问题开始，先看数据。

 

数据有两类，蓝点表示正类 (positive class)，红点表示负类 (negative class)。

 

 

两个具体例子：

 

1. 肿瘤诊断：恶性肿瘤 (正类)、良性肿瘤 (负类)

2. 邮件分类：垃圾邮件 (正类)、正常邮件 (负类)

 

惯例：通常想预测出来的类别定义为正类。

 

 

1

 

模型

 

下图的线段当成模型，作用是将蓝点和红点分开。

 

 

仔细看，这条线段被设计成红蓝相配，含义就是说面向线段红色部分的点被划分为红点，而面向线段蓝色部分的点被划分为蓝点。

 

 

2

 

模型会犯错误哦

 

从下图看有两个点分类错误，而它们是两种类型的错误。

 

 

1. 先看线段上面：红点 (真实负类) 被当作蓝点 (预测正类)，该错误叫做假正类 (false positive)

    

2. 再看线段下面：蓝点 (真实正类) 被当作红点 (预测负类)，该错误叫做假负类 (false negative)

 

 

3

 

两个模型

 

让我们给相同的数据赋予两个故事。

 

 

故事一讲述一个医用分类模型，它负责区分生病的人 (正类) 和健康的人 (负类)。

 

故事二讲述一个邮件分类模型，它负责区分垃圾邮件 (正类) 和正常邮件 (负类)。

 

让我们一一来研究它们。

 

 

5

 

医用分类模型

 

在此模型下，生病的人是正类，健康的人是负类，那么

 

1. 把健康的人 (真实负类) 预测为生病的人 (预测正类)，该错误叫做假正类 (false positive)。

    

2. 把生病的人 (真实正类) 被当作健康的人 (预测负类)，该错误叫做假负类 (false negative)

 

 

哪种错误更严重？

 

假负类是吧，人病了却预测没病不去治疗，万一是绝症后果不堪设想。

 

假正类还行，人没病却预测病了去测试，顶多花点时间花点钱嘛。

 

结论：医用分类模型应该减少假负类。

 

 

上图这个线段 (模型) 可还行，没有假负类，即便有增大假正类的代价。

 

 

6

 

邮件分类模型

 

在此模型下，垃圾邮件是正类，正常邮件是负类，那么

 

1. 把正常邮件 (真实负类) 预测为垃圾邮件 (预测正类)，该错误叫做假正类 (false positive)。

    

2. 把垃圾邮件 (真实正类) 被当作正常邮件 (预测负类)，该错误叫做假负类 (false negative)

 

 

哪种错误更严重？

 

假正类是吧，正常邮件 (可能是很重要的邮件) 预测为垃圾邮件，放到垃圾站中，多耽误事儿啊。

 

假负类还行，垃圾邮件预测为正常邮件，呈现在你眼前，你删了不就完了么，多大点事儿啊。

 

结论：邮件分类模型应该减少假正类。

 

 

上图这个线段 (模型) 可还行，没有假正类，即便有增大假负类的代价。

 

 

7

 

记录错误

 

医用分类模型 (希望假负类最少) 和邮件分类模型 (希望假正类最少) 属于两个极端，绝大部分的分类模型在“中间”，即犯一点假负类，犯一点假正类。

 

那么如何记录假负类和假正类呢？

 

先从下图的最简单模型开始，请思考多个点分类错误？

 

 

还记得线段被设计成红蓝相配的用意吗？面向线段蓝色部分的都被归类为蓝点，那么 5 个真实蓝点都预测对了，5 个真实红点都预测错了。

 

 

第 0 步：将上述结果用表格和网格图表示如下：

 

 

表格记录的正确红点个数为 0，正确蓝点个数为 5，在对应的网格图中，在坐标 (0, 5) 上面“放”一个点。

 

---

第 1 步：接着将线段延斜上方平移一下，现在正确红点个数变成 1，正确蓝点个数还是为 5，在对应的网格图中，在坐标 (1, 5) 上面“放”一个点。

 

 

 

---

第 2 步：接着将线段延斜上方平移一下，现在正确红点个数变成 2，正确蓝点个数还是为 5，在对应的网格图中，在坐标 (2, 5) 上面“放”一个点。

 

 

 

---

第 3 步：接着将线段延斜上方平移一下，现在正确红点个数还是为 2，正确蓝点个数变成 4，在对应的网格图中，在坐标 (2, 4) 上面“放”一个点。

 

 

 

---

第 4 步：接着将线段延斜上方平移一下，现在正确红点个数变成 3，正确蓝点个数还是为 4，在对应的网格图中，在坐标 (3, 4) 上面“放”一个点。

 

 

 

---

第 5 步：接着将线段延斜上方平移一下，现在正确红点个数变成 4，正确蓝点个数还是为 4，在对应的网格图中，在坐标 (4, 4) 上面“放”一个点。

 

 

 

---

第 6 步：接着将线段延斜上方平移一下，现在正确红点个数还是为 4，正确蓝点个数变成 3，在对应的网格图中，在坐标 (4, 3) 上面“放”一个点。

 

 

 

---

第 7 步：接着将线段延斜上方平移一下，现在正确红点个数变成 5，正确蓝点个数还是为 3，在对应的网格图中，在坐标 (5, 3) 上面“放”一个点。

 

 

 

---

第 8 步：接着将线段延斜上方平移一下，现在正确红点个数还是为 5，正确蓝点个数变成 2，在对应的网格图中，在坐标 (5, 2) 上面“放”一个点。

 

 

 

---

第 9 步：接着将线段延斜上方平移一下，现在正确红点个数还是为 5，正确蓝点个数变成 1，在对应的网格图中，在坐标 (5, 1) 上面“放”一个点。

 

 

 

---

第 10 步：接着将线段延斜上方平移一下，现在正确红点个数还是为 5，正确蓝点个数变成 0，在对应的网格图中，在坐标 (5, 0) 上面“放”一个点。

 

 

流程结束，前戏做完，下面介绍 ROC 和 AUC。

 

 

8

 

ROC 和 AUC

 

ROC 全称是 receiver operating characteristic，ROC 曲线中文叫做接收者操作特征曲线。为什么叫这个名字其实我也不知道，也不想知道，又绕口又恶心。

 

我们只需要知道网格图那些点连成的线就是 ROC 曲线。

 

 

 

ROC 曲线以下和横轴竖轴包围起来的面积叫做 AUC，全称是 Area Under the Curve，这倒是怪形象的。阴影包含 21 个小正方形，不难看出其面积为 21。

 

 

通常为了比较不同模型好坏，AUC 会做一个标准化，即用阴影面积除以整个网格面积，则得到 21/25 = 0.84。

 

 

一般来说，AUC 越高，模型越好。

 

 

9

 

模型背景

 

在绝大多数背景下选择分类模型，下图框出的点 (4, 4) 的对应模型“最优”，只有一个假负类和假正类的错误。

 

 

如果赋予医用背景，那么 (2, 5) 点对应的模型最优，没有假负类，假正类在同等条件下最少。

 

如果赋予邮件背景，那么 (5, 3) 点对应的模型最优，没有假正类，假负类在同等条件下最少。

 

 

 

10

 

模型选择

 

为了解释本节内容，注意数据稍微有些改变。

模型一：随机模型

仔细观看红点蓝点的位置，然后想想将线段往斜上方平移，总是有大概一半情况分类错误。

 

 

用上述方法绘制 ROC 曲线并计算 AUC 得到 0.52。

 

 

结论：随机模型的 AUC 在 0.5 左右。

 

模型二：OK 模型

模型二比随机模型稍微好些。

 

 

将线段往斜下方平移，用上述方法绘制 ROC 曲线并计算 AUC 得到 0.8。

 

 

模型三：完美模型

模型三是完美模型。

 

 

将线段往斜下方平移，用上述方法绘制 ROC 曲线并计算 AUC 得到 1，下图点 (5, 5) 对应的模型是完美的，没有任何分类错误。

 

 

模型四：超烂模型？

下图的模型是超烂模型么？

 

 

将线段往斜上方平移，用上述方法绘制 ROC 曲线并计算 AUC 得到 0。

 

 

比较上述四个模型的 AUC。

 

 

超烂模型真的比随机模型烂吗？其实不然，其实将烂模型，哦不对，烂线段，转个 180 度，是不是变成完美模型了？AUC 是不是为 1 了？

 

 

就好比一个天天预测股价涨跌的人，正确率为 0，你根据他的预测反向操作，你就是股神。

 

所以最烂模型是随机模型！