ML读书笔记（模型评估）

ML读书笔记（模型评估）

A. accuracy的局限性

样本极度不均衡时，模型全预测为多的那类，accuracy高，但是没用。

解决：可以用所有类别的accuracy的算术平均。

B. Precision和Recall

排序问题中，认为前N个是正例，后面的是负例；Precision@N, Recall@N

P-R曲线，横轴是R，纵轴是P；

F1-score = 2*P*R/(P+R) = 2 / ((1/P)+(1/R))

C. RMSE的缺点

离群点/噪声点会对RMSE造成很大干扰；

解决：1. 如果把离群点看成噪声，则应该在预处理阶段过滤掉噪声；2.如果把利群点看成正常数据，则应该调整模型能够把离群点正确预测对；3.可以用平均绝对百分比误差MAPE， 

单一指标往往片面，用一组互补的指标评测，能更好的发现问题。

D. ROC&AUC

横轴是FPR, 纵轴是TPR; FPR=FP/负例个数；TPR=TP/正例个数；

AUC: Area Under Curve;

ROC曲线 VS P-R曲线：正负例样本比例发生大的变化后，ROC曲线形状基本不变，P-R曲线形状变化巨大；

E. 余弦距离

向量a的顶点，投影到向量b上，投影长度=, 也就是三角的"邻边"；而|a|就是"斜边"; , 也就是邻边/斜边；

=, 当|a|和|b|都归一化为1时，等于夹角的余弦值，约相似值就约接近1，约远离就约接近-1；

当2个文本的内容相似，但长度相差很大时，用欧式距离得到的距离大，用余弦相似度得到的相似度大；即余弦相似度只关注向量之间的角度，忽略向量的长度；

文本、图像、视频等高维向量，适合用余弦相似度；

欧式距离体现数值上的绝对差异，余弦距离体现方向上的相对差异；有2个用户对很多电影的打分，分析这2个人的兴趣差异，适合用余弦相似度；有2个用户的<登录次数，观看时长，...>等使用信息向量，分析这2个人的活跃度差异，适合用欧式距离；

余弦距离=1-余弦相似度；

3条距离功能成立，才叫距离：1.正定性，即衡>=0; 2.对称性,dis(A,B)=dis(B,A); 3.满足三角不等式,dis(A,B)+dis(A,C)>dis(B,C); 余弦距离满足1和2，不满足3，所以不是严格意义上的距离；

F. A/B Test （搜狗网页搜索排序，一点资讯推荐效果）

2个要点：1.相同时间上进行测试；2.分流的用户属性要无偏（随机打散）

分流流量不宜过大，如果新版不好，就会影响很多用户的体验；也不宜过小，过小则样本数太少无法有效评测效果；

AA测试的作用：1. 测试该实验平台的正确性；2.测试流量是否够用（两组实验的指标相似，说明流量足够大）；

流量不能再增的话，可以拉长测试时间得到更多样本；测试时间至少一周，才能把工作日和周末都覆盖上；

当有多个变量需要同时测试时，可以笛卡尔积方式(A1B1, A1B2, A2B1, A2B2)，也可以分层：

分到不同版本的用户在多次登录应落入相同的实验版本，这样可以保证用户体验的一致性，保证用户能够在适应新版本的情况下有稳定的表现。通常会采用不同实验选用不同的hash种子，对用户的guid和上述分层实验的实验层次id的组合进行hash，然后根据hash值取余的方式进行分流。

A/B测试的局限：对于一些长期效果很难做到有效的监测和对比。

下线测得到P-R曲线，ROC曲线；线上要得到点击率、停留时长、PV、转化率等指标，线下测是无法得到的；线下不具备线上的工程环境；

Airbnb: 每一个改动，都先用 1%的流量来试验，然后再推到 5%，再到 10%，到 20%，到 50%，最后再发布给所有用户。

灰度发布：先让一小部分用户当小白鼠，如果新产品有bug，伤害面小很多；

G. 

留一验证：样本数量很少时，每次留1个样本（或很少的）做验证集，所有次留的样本交集为空；

bootstrap法：有放回的随机采样，剩下没被采样的做验证集；多次重复实验，求平均指标；

bootstrap法，样本集大小是n，一个样本在n次都没有被选中的概率：(1-1/n)^n， n取正无穷，得约等于0.368

F. 调参

1. 网格搜索（就是穷举）：可以先用大范围枚举，再缩小搜索区域进行小范围枚举；目标函数如果非凸，可能错过全局最优解；

2. 随机搜索：快，但结果无法保证

3. 贝叶斯优化：？

G. 过拟合和欠拟合