本节书摘来自华章计算机《大数据架构和算法实现之路：电商系统的技术实战》一书中的第1章，第1.4节，作者 黄 申，更多章节内容可以访问云栖社区“华章计算机”公众号查看。

1.4　分类效果评估

到了这一步，你可能会产生几个疑问：机器的分类准确吗？是否会存在错误？不同的分类算法相比较，孰优孰劣呢？这是个很好的问题，确实，我们无法保证分类算法都是准确有效的。不同的应用场景，不同的数据集合都有可能会影响到算法最终的精准度。为了更加客观地衡量其效果，需要采用一些评估的手段。对于分类问题而言，我们最常用的是离线评估。也就是在系统没有上线之前，使用现有的标注数据集合来进行评测。其优势在于，上线之前的测试更便于设计者发现问题。万一发现了可以改进之处，技术调整后也可以再次进行评估，反复测试的效率非常之高。

值得一提的是，分类有两大类型：二分类和多分类。二分类是指判断数据对象属于或不属于一个给定的分类，而多分类则是指将数据对象判定为多个分类中的一个。多分类的评估策略会更复杂一些，不过，可以将其转化为多个二分类问题来对待。所以，让我们从二分类的评估入手，先了解一下表1-1中的混淆矩阵（Confusion Matrix）这个核心概念。

下面就来逐个解释一下这个矩阵中的元素，假设有一组标注好的数据集d，并将其认定为标准答案。其中属于A类的数据称为正例（Positive），不属于A类的另外一部分数据称为负例（Negative），d是正例和负例的并集，而且正例和负例没有交集。这时，可以通过一个分类算法c来判定在这些数据中，是否有一组数据对象属于A类。若c判断属于A类的则称为预测正例（Positive’），而不属于A类的则称为预测负例（Negative’）。如果d标注为正例，c也预测为正例，那么就称为真正例（True Positive，TP）。如果d标注为正例，c预测为负例，那么就称为假负例（False Negative，FN）。如果d标注为负例，c也预测为负例，那么就称为真负例（True Negative，TN）。如果d标注为负例，c预测为正例，那么就称为假正例（False Positive，FP）。

根据混淆矩阵，我们可以依次定义这些指标：精度（Precision）p、召回率（Recall）r、准确率（Accuracy）a和错误率（Error Rate）e。

除了定义评估的指标之外，还需要考虑一个很实际的问题：我们该如何选择训练数据集和测试数据集？进行离线评估的时候，并不需要将全部的标注样本都作为训练集，而是可以预留一部分作为测试集。然而，训练和测试的不同划分方式，可能会对最终评测的结论产生很大的影响，主要原因具体如下。

• 训练样本的数量决定了模型的效果。如果不考虑过拟合的情况，那么对于同一个模型而言，一般情况下训练数据越多，精度就会越高。例如，方案A选择90%的数据作为训练样本来训练模型，剩下10%的数据作为测试样本；而方案B则正好颠倒，只用10%的数据作为训练样本，测试剩下90%的数据。那方案A测试下的模型准确率很可能会比方案B测出的模型准确率要好很多。虽然模型是一样的，但训练和测试的数据比例导致了结论的偏差。
• 不同的样本有不同的数据分布。假设方案A和B都取90%作为训练样本，但是A取的是前90%的部分，而B取的是后90%的部分，二者的数据分布不同，对于模型的训练效果可能也会不同。同理，这时剩下10%的测试数据其分布也会不相同，这些都会导致评测结果不一致。

鉴于此，人们发明了一种称为交叉验证（Cross Validation）的划分和测试方式。其核心思想是每一轮都拿出大部分数据实例进行建模，然后用建立的模型对留下的小部分实例进行预测，最终对本次预测结果进行评估。这个过程反复进行若干轮，直到所有的标注样本都被预测一次而且仅预测一次。用交叉验证的目的是为了得到可靠稳定的模型，其最常见的形式是留一验证和K折交叉。留一验证（Leave One Out）是交叉验证的特殊形式，意指只使用标注数据中的一个数据实例来当作验证资料，而剩余的则全部当作训练数据。这个步骤一直持续到每个实例都被当作一次验证资料。而K折交叉验证（K-fold Cross Validation）是指训练集被随机地划分为K等分，每次都是采用（K – 1）份样本用来训练，最后1份被保留作为验证模型的测试数据。如此交叉验证重复K次，每个1/K子样本验证一次，通过平均K次的结果可以得到整体的评估值。假设有数据集D被切分为K份（d1, d2, …, dk），则交叉过程可按如下形式表示：

如果标注样本的数量足够多，K的值一般取5到30，其中10最为常见。随着K值的增大，训练的成本就会变高，但是模型可能会更精准。当标注集的数据规模很大时，K值可以适当小一些，反之则建议K值适当取值大一些。