Как выбрать между ROC AUC и F1 баллом?

26

Я недавно закончил соревнование Kaggle, в котором по требованию соревнования использовался roc auc. До этого проекта я обычно использовал показатель f1 в качестве метрики для измерения производительности модели. В будущем мне будет интересно, как выбрать между этими двумя показателями? Когда использовать какие и каковы их плюсы и минусы?

Кстати, я прочитал статью здесь. В чем разница между AUC и F1-счетом? , но это не говорит мне, когда использовать какой.

Заранее благодарю за любую помощь!

machine-learning modeling roc scoring-rules Джордж Лю
источник

14

Ни одна из мер, перечисленных здесь, не является правильными правилами оценки точности, то есть правилами, оптимизированными правильной моделью. Рассмотрим оценку Бриера и основанные на логарифмическом правдоподобии меры, такие как псевдо . Индекс (AUROC; вероятность согласования) не является правильным, но хорош для описания отдельной модели. Он недостаточно чувствителен для выбора моделей или сравнения даже двух моделей. $R^2$ $c$

Фрэнк Харрелл
источник

Спасибо за ваш ответ, Фрэнк! Мне нужно дополнительное разъяснение, пожалуйста. Если бы мы могли выбирать только из ROC AUC и F1, какой из них вы бы выбрали и почему? Каковы плюсы и минусы их обоих?

Джордж Лю

2

Если вам разрешено выбирать только из

index и F1, вы не будете спорить достаточно сильно. Золотой стандарт - логарифмическая правдоподобие, штрафная логарифмическая правдоподобие или байесовский эквивалент (например, DIC). Рядом с этим является оценка Brier.

c

$c$

Фрэнк Харрелл

2

См. Citeulike.org/user/harrelfe/article/14321176 ; Я показал это своими собственными моделями. Если дисбаланс не вызван чрезмерной или недостаточной дискретизацией, вы можете использовать любое правильное правило подсчета, независимо от дисбаланса.

Фрэнк Харрелл

1

@FrankHarrell: ссылка мертва, можете ли вы ее перепроверить?

SiXUlm

13

Расчетная формула ：

Точность ТП / (ТП + ФП)
Напомним: ТП / (ТП + ФН)
F1-счет: 2 / (1 / P + 1 / R)
ROC / AUC: TPR = TP / (TP + FN), FPR = FP / (FP + TN)

ROC / AUC - те же критерии, а кривая PR (Precision-Recall) (оценка F1, Precision, Recall) - также те же критерии.

Реальные данные имеют тенденцию иметь дисбаланс между положительными и отрицательными образцами. Этот дисбаланс имеет большое влияние на PR, но не на ROC / AUC.

Таким образом, в реальном мире кривая PR используется больше, поскольку положительные и отрицательные выборки очень неравномерны. Кривая ROC / AUC не отражает производительность классификатора, но кривая PR может.

Если вы просто проведете эксперимент в исследовательских работах, вы можете использовать ROC, результаты эксперимента будут более красивыми. С другой стороны, кривую PR используют в реальной задаче, и она лучше интерпретируется.

Weiyuan
источник

7

Выше ответы оба хороши.

$Skew=\frac{negative\;examples}{positive\;examples}$

С несбалансированными данными AUC по-прежнему дает вам приблизительную стоимость около 0,8. Тем не менее, он высокий из-за большого FP, а не большого TP (истинно положительный).

Такой как пример ниже,

TP=155,   FN=182
FP=84049, TN=34088

Поэтому, когда вы используете AUC для измерения производительности классификатора, проблема заключается в том, что увеличение AUC на самом деле не отражает лучший классификатор. Это просто побочный эффект слишком многих негативных примеров. Вы можете просто попробовать в вашем наборе данных.

F_{β} знак равно (1 + β^{2}) \cdot \frac{п р е с я s я о N \cdot р е с a L L}{(β^{2} \cdot п р е с я s я о N) + р е с a L L}

$F_\beta = (1 + \beta^2) \cdot \frac{\mathrm{precision} \cdot \mathrm{recall}}{(\beta^2 \cdot \mathrm{precision}) + \mathrm{recall}}$

$\beta$

Тогда мои предложения по несбалансированным данным похожи на этот пост . Вы также можете попробовать таблицу децилей, которую можно построить, выполнив поиск "Таблицы классификации и децилла два на два". Между тем я тоже изучаю эту проблему и буду лучше ее измерять.

Сяоруй Чжу
источник

Если вы заботитесь о производительности метода, вам лучше использовать ROC, чтобы показать эффективность его классификации. Но если вы больше заботитесь о фактическом прогнозе истинного положительного результата, оценка F1 приветствуется в отрасли.

Xiaorui Zhu

2

В реальных условиях бизнеса можно оценить издержки ложных срабатываний и издержки ложных отрицательных результатов. Затем окончательная классификация должна основываться на вероятностной модели и пороге классификации, выбранном для минимизации стоимости ложных классификаций. Я не думаю, что точность, или оценка F имеют много реальных приложений для дисциплинированного ученого данных.

Мэтью Друри

Да, я согласен с процедурой принятия решения, которая сводит к минимуму стоимость ложной классификации по вероятности отсечения и модели. А в некоторых случаях асимметричная стоимость может применяться к FP и FN. Но суть точности и оценки F заключается в проверке общей производительности модели или сравнении производительности между несколькими моделями. Действительно, с данными в руках ученого, минимизация затрат может быть всегда возможна. Но мне любопытно, действительно ли ученый по данным нуждается в распределении (или вариации) решения проблемы решения. Я хотел бы знать, не могли бы вы поделиться со мной некоторыми. Спасибо

Xiaorui Zhu

1

Лично я всегда оценивал бы правильность подгонки модели на основе условных вероятностей, которые она предсказывает. Поэтому я всегда сравнивал бы модели с использованием правильного правила оценки, такого как потеря журнала, использовал начальную загрузку, чтобы убедиться, что улучшение не является помехой, и, возможно, дополнить его AUC.

Мэтью Друри

2

Я не думаю, что это правда. AUC специально создан, чтобы быть нечувствительным к дисбалансу класса, я провел обширные моделирования по этому вопросу и обнаружил, что это правда. Кроме того, при сравнении моделей они должны основываться на наборах данных, взятых из одной и той же совокупности, что делает любую проблему с дисбалансом класса ноль.

Мэтью Друри

4

Чтобы выразиться очень простыми словами, когда у вас есть дисбаланс данных, т. Е. Разница между количеством примеров, которые у вас есть для положительных и отрицательных классов, велика, вы всегда должны использовать F1-показатель. В противном случае вы можете использовать кривые ROC / AUC.

бальбоа
источник

Ваше определение «дисбаланса данных» таково, что вы почти всегда используете F1-показатель, так что это не сильно поможет. Может быть, вы могли бы немного расширить это?

jbowman

Я пропустил очень важное слово ... извинения. Отредактировал мой ответ. Дайте мне знать, если вам нужно больше разъяснений.

Бальбоа

1

Для некоторых задач классификации мультикласса анализ и визуализация ROC / AUC не просты. Вы можете посмотреть на этот вопрос, Как построить кривые ROC в мультиклассовой классификации? , В такой ситуации лучше использовать показатель F1.

И F1 балл является распространенным выбором для проблемы поиска информации и популярным в промышленных условиях. Вот хорошо объясненный пример, строить модели ML сложно. Развернуть их в реальных условиях бизнеса сложнее .

Лин Ма
источник

1

Если целью классификации является оценка по вероятности, лучше использовать AUC, который усредняется по всем возможным порогам. Однако, если цель классификации состоит в том, чтобы просто классифицировать между двумя возможными классами и не требовать того, насколько модель прогнозирует каждый класс, более уместно полагаться на F-показатель, используя определенный порог.

Бхарат Рам Амму
источник

Как выбрать между ROC AUC и F1 баллом?

Ответы: