数据挖掘模型选择

K-折交叉验证法
当K=m时，则得到“留一法”（leave-one-out, LOO）
自助法
• 基于“自助采样”（bootstrap sampling）
– Pull up by your own bootstraps – 有放回采样、可重复采样 – 训练集与原样本集同规模 – 数据分布有所改变 – 约有36.8%的样本不出现
• 两大类
– 个体学习器间存在强依赖关系，必须串行生产 的序列化方法： Boosting – 个体学习器间不存在强依赖关系，可同时生成 的并行化方法：Bagging and Random Forest
集成学习－随机森林
• Bagging 策略
– bootstrap aggregation – 从样本集中重采样(有重复的)选出n个样本 – 在所有属性上，对这n个样本建立分类器(ID3、 C4.5、CART、SVM、Logistic回归等) – 重复以上两步m次，即获得了m个分类器 – 将数据放在这m个分类器上，最后根据这m个 分类器的投票结果，决定数据属于哪一类
PR图：
学习器A优于学习器C 学习器B优于学习器C 学习器A？？学习器B
平衡点 (BEP)
（Break-Even Point, ） 学习器A优于学习器B 学习器A优于学习器C 学习器B优于学习器C
性能度量－F1度量
性能度量－ROC与AUC
集成学习
• 定义：通过构建并结合多个学习器来完成学习任 务，又称为：多分类学习器系统、基于委员会的 学习等。
• 随机森林在bagging基础上做了修改。
– 从样本集中用Bootstrap采样选出n个样本； – 从所有属性中随机选择k个属性，选择最佳分 割属性作为节点建立CART决策树； – 重复以上两步m次，即建立了m棵CART决策树 – 这m个CART形成随机森林，通过投票表决结 果，决定数据属于哪一类
模型评估与选择
泛化误差 vs 经验误差
• 泛化误差：在“未来”样本上的误差 • 经验误差：在训练集上的误差，亦称“训 练误差”
新样本 数据
训练数据
模型
新样本 属于什 么类别？
过拟合 vs 欠拟合
模型选择
• 三个关键问题：
– 如何获得测试结果 – 如何评估性能优劣 – 如何判断实质差别 评估方法 性能度量 比较检验
投票机制
• 简单投票机制
– 一票否决(一Biblioteka Baidu表决) – 少数服从多数
• 有效多数(加权)
– 阈值表决
• 贝叶斯投票机制
• 但也可以使用SVM、Logistic回归等其他分类 器，习惯上，这些分类器组成的“总分类 器”，仍然叫做随机森林。
包外估计：out-of-bag estimation
模型选择
• 三个关键问题：
– 如何获得测试结果 – 如何评估性能优劣 – 如何判断实质差别 评估方法 性能度量 比较检验
性能度量
• 性能度量（performance measure）是衡量 模型泛化能力的评价标准，反映了任务需 求 • 使用不同的性能度量往往会导致不同的评 判结果 • 什么样的模型是“好”的，不仅取决于算 法和数据，还取决于任务需求。
评估方法
• 关键：怎么获得“测试集”？
– 原则：测试集与训练集“互斥”
• 常见方法：
– 留出法（hold-out） – 交叉验证法（cross validation） – 自助法（bootstrap）
留出法
• 保持数据分布一致性（例如：分层采样） • 多次重复划分（例如：100次随机划分） • 测试集不能太大、不能太小（例如：1/5~1/3）
m
m
性能度量－查准率与查全率
• 查准率：precision，准确率，P
– 预测结果中是正例的比率
• 查全率：recall，sensitivity, 召回率， R
– 所有的正例中被正确预测出的比列
TP P= TP + Fp
TP R= TP + FN
True Positive Rate, TPR, (Sensitivity) True Negative Rate, TNR, (Specificity) Positive Predictive Value, PPV False Positive Rate, FPR False Negative Rate, FNR False Discovery Rate, FDR
性能度量
• 回归任务
• 分类任务
– 错误率与精度 – 查准率、查全率与F1 – ……
性能度量－错误率与精度
• 错误率
1 E ( f ; D) = å I ( f ( xi ) ¹ yi ) m i=1
• 精度
1 acc( f ; D) = å I ( f ( xi ) = yi ) = 1 - E ( f ; D) m i=1