推荐搜索 常用评价指标

.评价指标

常用指标（分类和回归）：

• 准确率：Accuracy=(TP+TN)/(TP+FP+TN+FN)

• 精确率（查准）Precision=TP/(TP+FP)，召回率（查全）Recall=TP/(TP+FN)

• F1 score（Fx 分数，x为召回率和精确率的比值）

  F1 score=2·Precision·Recall/(Precision+Recall)

  综合考量，召回率Recall和精确率Precision的调和平均，只有在召回率Recall和精确率Precision都高的情况下，F1 score才会很高。

• ROC和PR曲线

  • ROC曲线可以用于评价一个分类器在不同阈值下的表现情况。在ROC曲线中，每个点的横坐标是(FPR)，纵坐标是TPR，描绘了分类器在True Positive和False Positive间的平衡。
    

    1. TPR=TP/(TP+FN)，代表分类器预测的正类中实际正实例占所有正实例的比例。

       FPR=FP/(FP+TN)，代表分类器预测的正类中实际负实例占所有负实例的比例，FPR越大，预测正类中实际负类越多

    2. AUC（Area Under Curve）为ROC曲线下的面积，它表示的就是一个概率，这个面积的数值不会大于1。随机挑选一个正样本以及一个负样本，AUC表征的就是有多大的概率，分类器会对正样本给出的预测值高于负样本。面积越大越好，大于0.5才有意义，1是完美预测，小于0.5表示连随机预测都算不上。

    3. ROC的绘制：

       1. 假设已经得出一系列样本被划分为正类的概率Score值，按照大小排序。
       2. 从高到低，依次将“Score”值作为阈值threshold，当测试样本属于正样本的概率大于或等于这个threshold时，我们认为它为正样本，否则为负样本。举例来说，对于某个样本，其“Score”值为0.6，那么“Score”值大于等于0.6的样本都被认为是正样本，而其他样本则都认为是负样本。
       3. 每次选取一个不同的threshold，得到一组FPR和TPR，以FPR值为横坐标和TPR值为纵坐标，即ROC曲线上的一点。

    4. 4个关键的点：

       点(0,0)：FPR=TPR=0，预测所有的样本都为负样本；

       点(1,1)：FPR=TPR=1，预测所有的样本都为正样本；

       点(0,1)：FPR=0, TPR=1，此时FN＝0且FP＝0，所有的样本都正确分类；

       点(1,0)：FPR=1，TPR=0，此时TP＝0且TN＝0，最差分类器，避开了所有正确答案

    5. 当测试集中的正负样本的分布变换的时候，ROC曲线能够保持不变

       比如负样本的数量增加到原来的10倍，TPR不受影响，FPR的各项也是成比例的增加，并不会有太大的变化。所以不均衡样本问题通常选用ROC作为评价标准。
       

  • PR曲线：
    

    1. 画法和ROC一样，取不同的阈值，计算所有样本下的p和r.
    2. F1 = 2 * P * R ／( P + R )。平衡点（BEP）是P=R时的取值（斜率为1）

• MAE(平均绝对误差)和MSE（均方误差）

  • MSE收敛快，对异常值敏感。因为它的惩罚是平方的，所以异常值的loss会非常大
  • MAE相较于MSE，没有平方项的作用，对所有训练数据惩罚力度相同。可能由于梯度值小，使模型陷入局部最优

检索和推荐指标：

• IOU(在目标检测,图像分割领域中，定义为两个矩形框面积的交集和并集的比值，IoU=A∩B/A∪B).如果完全重叠，则IoU等于1，是最理想的情况。一般在检测任务中，IoU大于等于0.5就认为召回，如果设置更高的IoU阈值，则召回率下降，同时定位框也越更加精确。

• AP和mAP

  

  AP：average precision，对分数排好序之后，从rank1到rankn。对应每个召回节点 最大的精确率，然后取平均得到AP。

  注意：AP之前的计算发明方法：令N是所有id，如果从top-1到top-N都统计一遍，得到了对应的precision和recall，以recall为横坐标，precision为纵坐标，则得到了检测中使用的precision-recall曲线，虽然整体趋势和意义与分类任务中的precision-recall曲线相同，计算方法却有很大差别。分类里的pr是设置不同的阈值来确定所有样本的下p和r，这里的AP是确定阈值后，从top1到topN都统计一遍，获取当前topx的p和r。

  MAP：进行N次检索的结果平均，一般会把所有类别都检索一遍来算，就像多标签的图像分类计算方式一样。

  AP衡量的是学出来的模型在一个类别上的好坏，mAP衡量的是学出的模型在所有类别上的好坏。

• MRR(mean reciprocal rank)平均倒数排名

  • RR，倒数排名，指检索结果中第一个相关文档的排名的倒数。
  • MRR多个查询的倒数排名的均值，公式如下：rank_i 表示第 i 个查询的第一个相关文档的排名。

• NDCG（推荐也用）

  • CG，Cumulative Gain）累计效益， k 表示 k 个文档组成的集合，rel 表示第 i 个文档的相关度
    

  • DCG（Discounted Cumulative Gain）在 CG 的计算中没有考虑到位置信息，例如检索到三个文档的相关度依次为（3，-1，1）和（-1，1，3），根据 CG 的计算公式得出的排名是相同的，但是显然前者的排序好一些。所以需要在 CG 计算的基础上加入位置信息的计算，引入折扣因子。根据位置的递增，对应的价值递减。

    

    

  • IDCG（ideal DCG）理想情况下，按照相关度从大到小排序，然后计算 DCG 可以取得最大值情况。其中 |REL| 表示文档按照相关度从大到小排序，取前 k 个文档组成的集合。

    

  • NDCG（Normalized DCG）

    由于每个查询所能检索到的结果文档集合长度不一致，k 值的不同会影响 DCG 的计算结果。所以不能简单的对不同查询的 DCG 结果进行平均，需要先归一化处理。NDCG 就是利用 IDCG 进行归一化处理，表示当前的 DCG 与理想情况下的 IDCG 相差多大。

  * Hit ratio分母是所有的测试集合，分子是每个用户前K个中属于测试集合的个数的总和，该指标衡量是召回率，该指标越大越好。