分类模型性能评估 | metric选取

作者: zilla | 来源:发表于2022-03-24 13:32 被阅读0次

评价指标形形色色，有些带有可调节的参数。对指标的理解对于理解模型性能和评价别人的论文报告都很重要——如果一篇研究仅汇报单个指标，那从其他指标看模型性能如何？某个度量反映了什么又隐藏了什么呢？
通常，人们使用一些数值（例如，Accuracy）或图示（例如，ROC曲线）来评价分类模型的性能。本文使用一些常见的分类任务的评价指标，探讨依赖单个指标会陷入什么样的误区。
为了叙述分类模型评价指标选取的过程，我们虚构了一个疾病诊断检测。该检测基于多个临床特征来判断病人是否患有某种致命疾病。在评价这个模型时，只考虑其输出结果，而不考虑其潜在的分类机制或相关的临床特征。

分类评价指标由真阳性（TP），假阳性（FP），假阴性（FN）以及真阴性（TN）计算得到，这四个量被列在所谓的混淆矩阵中。

混淆矩阵和与之相关的指标

这四个量各自的重要性取决于分类模型的目的，驱动评价指标的选取。
就医疗检验而言，如果要判定病人是否需要接受某种价格低廉、安全且有效的治疗，那么FP不如FN重要。FN意味着病人得不到应有的治疗而忍受病痛。
相反地，如果这个治疗是使用实验阶段的药物，那么就需要FP很少的偏保守的模型，以避免对未患病个体使用高风险药物。

下图展示了3个不同分类器 5种指标。单个指标相同时，模型的分类效果大相径庭。a~d每组展示三个不同模型的分类结果，采用的指标依次为accuracy、sensitivity（即recall召回率）、precision、F1 score、Matthews correlation coefficient。
每组中的三个模型在粗体指标上相同（均为0.8）。
每组中，被红线划掉的样本表示它对该指标没有影响。
预测值用背景颜色表示，真实值用圆圈内颜色表示。

某个指标相同，但模型实际性能可能差异很大
accuracy指的是被正确分类的样本占比，accuracy不足以评价分类器性能。比如，它没有告诉我们FN更多还是FP更多。如果某疾病很罕见，那模型判定所有样本都是负样本就能达到高accuracy（上图a，第1行），但这对诊断没有任何帮助。
对于FN，有用的度量是Sensitivity（也叫做Recall，TP rate），是被正确预测为正样本的样本数（TP）与实际正样本数（TP+FN）的比值（所有正样本中被正确预测的比例）。
然而TN和FP并不反映在Sensitivity中，模型直接判定所有样本为正样本也能达到高Sensitivity（上图a，第2行）。

Specificity = \frac{TN}{TN+FP}

，为所有负样本中被正确预测的比例，它有类似的缺点，没有考虑到FN和TP。

Precision=\frac{TP}{TP+FP}

为被预测为正的样本中正确的比例，未考虑TN和FN。想象一个非常保守的模型（上图c，第2行），它太保守而漏检了很多患病个体。
一个比较理想的疾病诊断模型，应该使得FN和FP都少，未患病个体不应该被施加不必要的治疗或是背负患病的压力；患病的个体不应该得到错误的乐观判断。

因此，在分类模型评估中，复合的度量指标被提出，这些指标能更完整地概括混淆矩阵。

最流行的指标是 $F_\beta$ score，它使用参数 $\beta$ 来调节recall和precision的平衡，其定义为 $F_\beta = \frac{(1+{\beta}^2)(Precision\times Recall)}{{\beta}^2\times Precision+Recall}$ 。随着 $\beta$ 减小，Precision权重变大。当 $\beta = 1$ ，我们得到最常用的 $F_1$ score，它认为Precision和Recall同等重要，其计算简化为 $\frac{2TP}{2TP+FP+FN}$ 。
$F_\beta$ score仍然没有捕捉到完整的混淆矩阵，它基于Precision和Recall，两者都没有考虑TN。
TN对于诊断非常普遍的疾病而言会比较重要。可以使用Matthews correlation coefficient (MCC)来解决这个问题。

MCC考虑了TP,TN,FN,FP
MCC的范围从-1（分类总是错的）到0（模型效果不必随机好）到1（分类总是对的）。需要注意，比较两个模型好坏时，从F1看A模型更优，而从MCC看B模型更优。
不存在能独立度量模型优缺点的指标。

类别分布的平衡也会影响分类结果的理解，此处类别平衡指的是这种疾病在全体人群中的普遍程度。
不平衡会使得对FP和FN的理解更加关键。
比较①检测1000人中仅2人患病的罕见病和②检测1000人中有200人患病的常见病，单个FP样本对前者误诊率的影响相对大得多。
这里我们假设训练集和测试集独立同分布（都真实反应了人群中疾病的流行程度），若无此假设，则结果的解释需更多考虑。
想象一个疾病检测模型，它对某检测对象给出一个数值评分，这个评分不是阴性或是阳性，而是一个反映置信度的数值：这个数值越高，认为其患病的可能性越大。事实上，几乎所有分类器都是通过给评分施加一个阈值从而得出阳性/阴性的预测。阈值越大，FP比例越低，健康个体被施加不必要治疗的可能性越低；阈值越小，FN的比例越小，患病个体被漏诊的可能越低。

有时我们希望无需确定具体阈值地评价分类器性能。

用图像评价分类器：ROC和PRC

将已知真实类别的样本按预测分值降序排列。
用ROC曲线来可视化这个列表。
我们从左下角（预测分值最高的样本）开始，挨个样本看下去。如果是正样本，曲线向上走；反之，向右走。横轴和纵轴分别为FPR和TPR。以某个样本的预测值为阈值，对应的FPR和和TPR正是其坐标值。好分类器的ROC曲线应当尽可能逼近左上角。
ROC对应的数值化指标为ROC曲线下的面积（即Area Under ROC，AUROC），AUROC为1时，意味着一定存在某个阈值能完全正确的区分正负例。

另外一种可视化是Precision-Recall（PR）曲线。按预测值对所有样本排序，逐个样本地选择阈值，在该样本之前的都属于正例，该样本之后的都属于负例。每一个样本的评分作为阈值时，都可以计算对应的precision和recall，那么就可以依此绘制曲线。
好分类器的PR曲线应当尽可能逼近右上角，以求在recall（准确率、查准率）和precision（召回率、查全率）间得到最好的折中。区别于ROC曲线，PR曲线是非单调的。若一个模型的PR曲线被另一模型的PR曲线完全“包住”，则包住者性能优于被包住者。若2个模型的PR曲线交叉，则难断言谁好谁坏，合理的判据是比较PR曲线下的面积（即Area Under PR Curve, AUPRC）大小。

类别不平衡影响指标对模型性能的表征能力

类别不平衡会让ROC曲线可视化分类器性能的能力变差。例如，100人里只有5人患病（上图a），那我们希望5个正样本的评分按预测值降序排列时排在最前面。如果分类器将这5个样本均匀地排在了前15位中，从ROC曲线看，模型性能不错。可真的设定一个将前15个样本都判定为正例的阈值，会产生多达10个FP，这一点从ROC曲线上看不出来，但会体现在PR曲线上。
比较另一种情形：100人里有50人患病（上图b）。某个分类器的预测评分排序如图，它的ROC曲线和左侧的分类器相同，PR曲线则明显优于左侧。
因此，类别不平衡突出的情形下，PR曲线更靠谱。这些指标单独使用也存在明显的局限性。

理解分类器的应用意图是选择合适评价指标的关键。对潜在结果不做深入分析，仅使用单一的指标（即便是F1 score这样的复合指标）是危险的。此外，我们也应该关注类别不平衡对各指标的"扭曲"。

补充：

随机猜测的模型的ROC曲线位于连接点 (TPR=0, FPR=0) 和 (TPR=1, FPR=1) 的主对角线上。Why？
假设对任意样本，以固定概率p分为正类。实际有 $n_+$ 个正样本， $n_-$ 个负样本。那么 $TPR = \frac{p\times n_+}{n_+}=p$ 与 $FPR = \frac{p\times n_-}{n_-}=p$ 相等。