简单的评估流程示例

让我们通过一个简化的具体示例，来了解基本的评估流程如何运作。假设我们要构建一个模型，根据房屋面积（平方英尺）预测房价。这是一个回归问题，因为价格是一个连续的数值。

场景：预测房价

我们收集了10套房屋的数据，记录了它们的面积和售价：

面积 (平方英尺)	价格 (千美元)
1500	300
1600	320
1700	350
1800	380
1900	400
2000	410
2100	430
2200	450
1400	280
2300	460

我们的目标是利用部分数据训练一个模型，然后评估它在从未见过的数据上预测价格的表现。

评估流程步骤

下面是我们应用标准流程的方式：

我们的房价预测示例评估流程的图示。

1. 选择评估指标： 这是一个回归问题，我们将使用适合连续值的指标。我们选择平均绝对误差（MAE）、均方误差（MSE）和决定系数（R-平方或 $R^2$）。它们将分别告诉我们平均误差、对较大误差的惩罚程度以及模型解释的价格方差比例。

2. 划分数据： 我们需要将数据分成训练集和测试集。常见划分比例是80%用于训练，20%用于测试。我们将随机选择8套房屋用于训练，保留剩余2套用于测试。模型在训练期间绝不能看到测试数据，这一点很重要。

   • 训练集 (8套房屋)： 假设随机选择的房屋如下：(1500, 300), (1700, 350), (1800, 380), (1900, 400), (2000, 410), (2100, 430), (1400, 280), (2300, 460)。
   • 测试集 (2套房屋)： 剩余的房屋为：(1600, 320), (2200, 450)。

3. 训练模型： 我们使用训练集（8套房屋）来训练我们的机器学习模型。假设我们使用一个简单的线性回归模型。训练过程会找到最适合训练数据点（面积与价格）的直线。在此示例中，我们假设训练好的模型学到了以下关系：

   $$\text{预测价格} = 0.2 \times \text{面积} + 50$$

   （注意：这是一个简化的模型方程，仅用于说明）。

4. 生成预测： 现在，我们使用训练好的模型来预测测试集中房屋的价格。我们只向模型输入测试集中的面积数据（1600平方英尺和2200平方英尺），然后查看它预测的价格。

   • 对于面积 = 1600 平方英尺：预测价格 = $0.2 \times 1600 + 50 = 320 + 50 = 370$ (37万美元)
   • 对于面积 = 2200 平方英尺：预测价格 = $0.2 \times 2200 + 50 = 440 + 50 = 490$ (49万美元)

5. 计算性能指标： 我们将模型的预测值（37万美元，49万美元）与测试集中的实际价格（32万美元，45万美元）进行比较。

   • 误差：
     • 房屋1：误差 = 预测值 - 实际值 = $370 - 320 = 50$
     • 房屋2：误差 = 预测值 - 实际值 = $490 - 450 = 40$
   • MAE（平均绝对误差）： 绝对误差的平均值。 $$MAE = \frac{|50| + |40|}{2} = \frac{50 + 40}{2} = \frac{90}{2} = 45$$
   • MSE（均方误差）： 平方误差的平均值。 $$MSE = \frac{50^2 + 40^2}{2} = \frac{2500 + 1600}{2} = \frac{4100}{2} = 2050$$
   • RMSE（均方根误差）： MSE的平方根。 $$RMSE = \sqrt{2050} \approx 45.28$$
   • R-平方 ($R^2$)： 衡量方差的解释比例。这需要将模型的误差与测试集中实际目标值的方差进行比较。
     • 实际测试价格的平均值：$(320 + 450) / 2 = 385$
     • 总平方和 (SST)：实际价格与平均值之差的平方和。 $SST = (320 - 385)^2 + (450 - 385)^2 = (-65)^2 + (65)^2 = 4225 + 4225 = 8450$
     • 残差平方和 (SSE)：平方误差之和（已在MSE分子中计算）。 $SSE = 50^2 + 40^2 = 2500 + 1600 = 4100$
     • 计算 $R^2$： $R^2 = 1 - \frac{SSE}{SST} = 1 - \frac{4100}{8450} \approx 1 - 0.485 = 0.515$

6. 解读结果：

   • MAE 为45。这意味着，平均而言，我们的模型在测试集上的价格预测误差为45,000美元。
   • RMSE 约为45.28。这也给出了原始单位（千美元）中典型误差大小的一个概念，对较大误差的惩罚比MAE略大。此处，它与MAE非常接近，因为误差值（40和50）相似。
   • $R^2$ 为0.515。这表明我们的简单模型（仅基于面积）解释了我们小测试集中约51.5%的房价变化。剩余的48.5%无法由该模型解释（可能由于地点、卧室数量、房龄等因素，或模型自身的不准确）。

测试集中两套房屋的预测价格与实际价格比较。虚线上的点代表理想预测。我们的模型对这两套测试房屋的预测价格都高于实际价格。

这个示例虽然使用了小型数据集和简化模型，但展示了基本步骤：划分数据，在其中一部分上训练，在另一部分上预测，并计算指标以评估其在未见过数据上的表现。这种结构化的过程帮助您了解模型在遇到新示例时可能表现如何。