步骤 6：评估模型

评估模型

1. 设置以下函数来预测测试集中的每一行。在下面的示例代码中，rows 参数用于指定每次预测的行数。您可以更改其值，以执行批量推理，充分利用实例的硬件资源。

   import numpy as np
   def predict(data, rows=1000):
       split_array = np.array_split(data, int(data.shape[0] / float(rows) + 1))
       predictions = ''
       for array in split_array:
           predictions = ','.join([predictions, xgb_predictor.predict(array).decode('utf-8')])
       return np.fromstring(predictions[1:], sep=',')

2. 运行以下代码对测试数据集进行预测并绘制直方图。您只需要使用测试数据集的特征列，不包括实际值的第 0 列。

   import matplotlib.pyplot as plt
   
   predictions=predict(test.to_numpy()[:,1:])
   plt.hist(predictions)
   plt.show()

   

3. 预测值为浮点型。要根据浮点值确定 True 或 False，需要设置一个截止值。如下面的示例代码所示，使用 Scikit-learn 库返回输出混淆度量和分类报告，截止值为 0.5。

   import sklearn
   
   cutoff=0.5
   print(sklearn.metrics.confusion_matrix(test.iloc[:, 0], np.where(predictions > cutoff, 1, 0)))
   print(sklearn.metrics.classification_report(test.iloc[:, 0], np.where(predictions > cutoff, 1, 0)))

   这应该返回以下混淆矩阵：

   

4. 要根据给定的测试集找到最佳截止点，需要计算逻辑回归的对数损失函数。对数损失函数被定义为返回其 ground truth 标签预测概率的逻辑模型的负对数似然。下面的示例代码以数值迭代方式计算对数损失值 (-(y*log(p)+(1-y)log(1-p))，其中 y 是真实标签，p 是对应测试样本的概率估计。它返回一个对数损失与截止值的关系图。

   import matplotlib.pyplot as plt
   
   cutoffs = np.arange(0.01, 1, 0.01)
   log_loss = []
   for c in cutoffs:
       log_loss.append(
           sklearn.metrics.log_loss(test.iloc[:, 0], np.where(predictions > c, 1, 0))
       )
   
   plt.figure(figsize=(15,10))
   plt.plot(cutoffs, log_loss)
   plt.xlabel("Cutoff")
   plt.ylabel("Log loss")
   plt.show()

   这应该返回以下对数损失曲线。

   

5. 使用 NumPy argmin 和 min 函数找到误差曲线的最小点：

   print(
       'Log loss is minimized at a cutoff of ', cutoffs[np.argmin(log_loss)], 
       ', and the log loss value at the minimum is ', np.min(log_loss)
   )

   这应该返回 Log loss is minimized at a cutoff of 0.53, and the log loss value at the minimum is 4.348539186773897。

   您可以估算成本函数作为替代方案，而不是计算和最小化对数损失函数。例如，如果要训练模型以对业务问题（例如客户流失预测问题）执行二元分类，则可以为混淆矩阵元素设置权重，并相应地计算成本函数。