AI说人“画” | 什么？咱俩说的是一个“模型”嘛！
大数据文摘力荐！原创小视频【AI说人“画”】系列。用轻松的手绘方式，讲清楚一些有趣的AI概念。
我们有号称所有聪明人中最酷的那个小姐姐！用灵魂手绘和欢脱语言，来和你聊聊最枯燥的理论！请收看5分钟中文小视频节目▼
Hello大家好，我是Vicky，今天我们来讲一些关于“模型“的事儿。
模型是对事物的抽象，是发现规律模拟真实世界用的。
在数据里呢，基本上模型有两类，解释性和预测性，今天来着重来说预测性的。
所以怎么评价模型的好坏呢？ 当然就是预测的多准了。
机器学习模型呢，就是看学习能力如何，也就是看举一反三的能力。
一般常用的机器学习模型包括：分类，回归和聚类。
今天就以分类模型为例，谈谈怎么评价一个“模型”好不好。
检验一个机器学习模型时要做的第一件事就是看误差有多大，
这里的误差有偏差和方差两类：
高偏差的意思就是你从一开始就跑偏了，没学习到真正的规律，也叫欠拟合。
比如这张图，把眼罩当成bra，买家确实没有把“肩带”当作特征，“形状”也确实有点类似，不过她居然忽略了size！（惊）
高方差的意思就是你入戏太深了，虽然你的模型完美的解释了现有的数据，换一组新的就不行了。这也就是过拟合，量身定做过了头儿，好比你查视力的时候，把视力表背下来了，然后查视力的结果左右眼都是5.3，完美！
然而实际情况是，换一张顺序不一样的视力表，你连医生指的第几行都看不见，甚至你连医生都看不见。这就是没什么泛化能力，模型过于复杂，训练过度了。
那怎样才能知道自己的模型是否存在高偏差或是高方差呢？
一种直接了当的方法就是把数据一分为二：训练集和测试集。例如把模型在 70% 的数据上做训练，然后用剩下的 30% 数据来测量失误率。
举个接地气的例子！就好比谈恋爱，暖男就是既不会让你觉得太粘人，也不会让你觉得被疏远，而且不止对你一个人这样，对谁都这样，这个撩妹模型就训练的恰到好处...
（促进一下理解）
回到正题，衡量分类模型好坏的话只看错误率的话肯定是不够的。
咱们就说算命的，比如问一个算命大师 明年会不会生七胞胎，大家都心知肚明，这个特定时间怀孕这个事儿本来就没那么高，况且七胞胎就更不多了，姑且就认为七胞胎在人群中的概率是0.1%，于是乎呢，不管是谁问大师这个问题，他都说没有的话，那么他的准确率也是99.9%的，你能说他算的准么？
所以说，我们不只关心他算对了多少，更关心怀了七胞胎的人他算出来了多少。
假定有一个二分类问题，比如有几个男的和几个女扮男装的人站在一起 系统想把真男人挑出来。
给系统一个人，系统会判断这人是“真” 也就是男（Predicted positive），或是“假” 也就是女（Predicted Negative）。
如果你是男的，系统也判你是男的，就是真正TP（True Positive），
原本你是男的系统判定你是女的，就是假负FN（False Negative），
原本女的判成男的，就是假正FP（False Positive），
原本女的，系统判你是女的，就是真负TN（True Negative）。
这几个值可以组成一个混淆矩阵，很多指标都是基于这个混淆矩阵算出来的。
比如我们会关心系统判定是男人的人里面到底多少是真的男人 这个也叫查准率，TP/(TP+FP)。
我们还关心这些男人里，有多少男人被找出来了 这个也叫查全率，TP/(TP+FN)。
所以大家可以看出来，这两个量其实是相互矛盾的，一个高的时候，另一个可能就低点儿，比如我想把所有男人都挑出来，那最保险的方式就是把所有人都选上..那也没什么意义了，如果说希望选出来的人里面男人的比例尽可能的多，那就找出最有把握是男人的人，但是这样可能会漏掉一些长的没那么man的人，这样查全率就低了。
大部分情况下呢，我们是根据预测结果对这些样本排序，越靠前的就是越有可能是正例的样本，按照这个顺序预测，所以每次就可以得到当前的查准率和查全率，然后呢以查准率为纵轴，查全率为横轴画图，就能得到一个曲线，也就是P-R曲线。
有的时候呢，输出的结果是正例还是负例取决于设定的概率阀值概率阈值，这种阈值的选取也一定程度上反映了分类器的分类能力。我们当然希望无论选取多大的阈值，分类都能尽可能地正确。
所以呢我们再引入两个指标
真正率tpr 和假正率fpr
真正率呢和 查全率一样
假正率，就是预测为正样本但是预测错了的可能性FPR=FP/TN+FP
以真正率为纵轴，假正率为横轴我们可以得到一个曲线叫ROC曲线
ROC曲线一定程度上可以反映分类器的分类效果，但是不够直观，我们希望有这么一个指标，如果这个指标越大越好，越小越差，于是，就有了AUC。AUC实际上就是ROC曲线下的面积。AUC直观地反映了ROC曲线表达的分类能力。基本上，曲线下的面积(AUC)越大，或者说曲线更接近左上角（true positive rate=1， false positive rate=0），那么模型就越理想，越好。
混淆矩阵还可以组合出好几种指标，比如F1 score，以及macro-F1 ，方法不同思想类似，这儿就不赘述了
当然，不同的场景下呢，不同失误的代价不一样，关注的点也不一样，
做商品推荐，把不相关的东西给顾客推荐了，这也没什么太大的损失，运气好的话顾客兴许也就一起买了。
给罪犯定罪，只要是有罪的话，立刻死刑的这种情况下，如果无罪的判了有罪，这后果就很严重了
所以说 中心思想是什么呢：
第一，光看指标本身意义不大，要结合实际情况
第二，别走极端，差不多最完美
内容策划及主播：凉亮
监制：Sophie，魏子敏
后期：郭丽（终结者字幕）
文案：韩蕊