如何評(píng)估和應(yīng)用監(jiān)督模型

申請(qǐng)免費(fèi)試用、咨詢電話：400-8352-114

在生產(chǎn)系統(tǒng)中使用監(jiān)督模型進(jìn)行預(yù)測(cè)之前，評(píng)估監(jiān)督模型的質(zhì)量很重要。用戶可以選擇針對(duì)問題的最佳模型，并用它來預(yù)測(cè)應(yīng)用數(shù)據(jù)集的目標(biāo)值。

為了測(cè)試監(jiān)督模型，將歷史數(shù)據(jù)分成兩個(gè)數(shù)據(jù)集，一個(gè)用于構(gòu)造模型，另一個(gè)用于測(cè)試模型。測(cè)試數(shù)據(jù)集實(shí)例通常不用于構(gòu)造模型，目的是為了真正評(píng)估模型的預(yù)測(cè)正確性。JDM為分類模型支持四種流行的測(cè)試度量: 預(yù)測(cè)準(zhǔn)確率、模糊矩陣、受試者工作特征（ROC）和提升率。這些度量的計(jì)算方式是通過比較預(yù)測(cè)目標(biāo)值和實(shí)際目標(biāo)值。這里探討在ABCBank客戶流失問題這一環(huán)境下的這些測(cè)試度量。

評(píng)估分類模型的質(zhì)量

在客戶流失問題中，假定測(cè)試數(shù)據(jù)集有1000個(gè)實(shí)例，分類模型正確預(yù)測(cè)了910個(gè)實(shí)例、錯(cuò)誤預(yù)測(cè)了90個(gè)實(shí)例。那么模型預(yù)測(cè)該數(shù)據(jù)集的準(zhǔn)確率為910/1000 = 0.91，即91%。

假設(shè)在910個(gè)正確的預(yù)測(cè)中，750個(gè)客戶是非流失客戶，剩余160個(gè)是流失客戶。在90個(gè)錯(cuò)誤的預(yù)測(cè)中，60個(gè)被預(yù)測(cè)為流失客戶，而實(shí)際上是非流失客戶；30個(gè)被預(yù)測(cè)為非流失客戶，而實(shí)際上是流失客戶。為此，我們使用名為模糊矩陣的方法。模糊矩陣是一張二維的N×N表，表明了分類模型對(duì)特定測(cè)試數(shù)據(jù)進(jìn)行的正確預(yù)測(cè)和不正確預(yù)測(cè)的數(shù)量，其中N代表目標(biāo)屬性值的數(shù)量。之所以被稱為模糊矩陣，因?yàn)樗赋隽四Ｐ驮诤翁幾兊媚：?，即做出不正確的預(yù)測(cè)。

雖然在本例中模糊矩陣度量的是目標(biāo)值的錯(cuò)誤分類，但錯(cuò)誤否定的成本是錯(cuò)誤肯定的三倍。為了從業(yè)務(wù)角度評(píng)估模型質(zhì)量，除了準(zhǔn)確率外，我們還需要度量成本。如果指定了成本矩陣，考慮成本值來度量性能、選擇成本值最小的模型很重要。

受試者工作特征（ROC）是比較分類模型質(zhì)量的另一個(gè)方法。ROC圖把錯(cuò)誤肯定率放在X軸上、把真肯定率放在Y軸上，如圖1所示。其中，錯(cuò)誤肯定率是錯(cuò)誤肯定數(shù)量與實(shí)際否定總數(shù)之比。同樣，真肯定率是真肯定數(shù)量與實(shí)際肯定總數(shù)之比。

想繪制ROC圖，測(cè)試任務(wù)就要確定在不同概率閾值下，錯(cuò)誤肯定和真肯定的比率。超過概率閾值預(yù)測(cè)的肯定目標(biāo)值的概率就被認(rèn)為是肯定預(yù)測(cè)。不同的概率閾值導(dǎo)致出現(xiàn)不同的錯(cuò)誤肯定率和真肯定率。如圖1(a)所示。

圖1（b）顯示了兩個(gè)分類模型在不同概率閾值下繪制的ROC曲線。如果錯(cuò)誤肯定率不同，這些模型的性能也不同。ROC曲線下方面積越大，模型性能一般越高。

提升率和累積增益也是評(píng)估分類模型效果的常用度量。提升率是使用分類模型獲得的結(jié)果與使用隨機(jī)選擇獲得的結(jié)果之比。累積增益是由模型通過數(shù)據(jù)分位數(shù)（quantile）決定的肯定響應(yīng)比例。實(shí)例通常分成10個(gè)或者100個(gè)分位數(shù)，可以根據(jù)這些分位數(shù)得出提升率和累積增益，如表1所示。提升圖和累積增益圖往往用做評(píng)估性能模型的直觀教具。了解累積提升和累積增益的計(jì)算方式有助于了解累積提升和累積增益圖，如圖2所示。

獲得預(yù)測(cè)結(jié)果

使用測(cè)試數(shù)據(jù)評(píng)估了模型性能后，用戶可以選擇針對(duì)問題的最佳模型，并用它來預(yù)測(cè)應(yīng)用數(shù)據(jù)集的目標(biāo)值。有些算法可能在最終模型中使用輸入屬性的一個(gè)子集。這個(gè)屬性子集稱為模型特征（model signature），它可以從模型中獲取，確定應(yīng)用模型需要哪些屬性。

本文利用簡單的決策樹模型來演示模型應(yīng)用操作。該模型有三個(gè)輸入屬性：年齡、資本收益和平均儲(chǔ)蓄余額，如上文B23版表2所示。模型只用了其中的兩個(gè)屬性：年齡和平均儲(chǔ)蓄余額，如圖3所示。這兩個(gè)屬性構(gòu)成了模型特征。因而，要使用這個(gè)模型，該模型的應(yīng)用數(shù)據(jù)集只需要包含有年齡和平均儲(chǔ)蓄余額兩個(gè)屬性值的實(shí)例。要了解應(yīng)用過程，不妨考慮有兩個(gè)客戶實(shí)例：客戶Jones和Smith的應(yīng)用數(shù)據(jù)集，如表2所示。

分類應(yīng)用操作可以使用各種內(nèi)容來生成預(yù)測(cè)結(jié)果，譬如預(yù)測(cè)類別、概率、成本。在JDM中，可通過各種形式顯示應(yīng)用預(yù)測(cè)結(jié)果，譬如頂層預(yù)測(cè)細(xì)節(jié)、頂節(jié)點(diǎn)或底節(jié)點(diǎn)預(yù)測(cè)等。預(yù)測(cè)結(jié)果的選擇取決于問題需求以及用戶想看到的信息類型。在本例中，我們生成了頂層預(yù)測(cè)值及對(duì)應(yīng)的概率和成本，以確認(rèn)流失客戶。

即使將模型應(yīng)用到數(shù)據(jù)集上很常見，但如果客戶屬性發(fā)生變化，預(yù)測(cè)和概率可能會(huì)隨之變化。譬如說，如果客戶打電話給銀行要求把大筆資金從儲(chǔ)蓄賬戶轉(zhuǎn)到另一家銀行，呼叫中心的應(yīng)用系統(tǒng)就會(huì)顯示預(yù)先計(jì)算的預(yù)測(cè)，表明該客戶可能會(huì)流失。這基于客戶的前一個(gè)賬戶余額。如果轉(zhuǎn)賬，這可能會(huì)改變模型對(duì)該客戶的預(yù)測(cè)。因此，根據(jù)最新數(shù)據(jù)實(shí)時(shí)重新評(píng)估客戶很有用。這可以使用JDM的單記錄應(yīng)用功能就可以實(shí)現(xiàn)，旨在提供實(shí)時(shí)響應(yīng)機(jī)制。 (ccw)