第 6 步：评估模型

评估模型

1. 设置以下函数来预测测试集的每一行。在以下示例代码中，rows参数是指定一次要预测的行数。您可以更改它的值，以执行充分利用实例硬件资源的批量推理。

   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。您只需获取测试数据集的要素列，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。确定True或者False基于浮点值，则需要设置一个截止值。如以下示例代码所示，使用 Scikit-Learning 库返回截止值为 0.5 的输出混淆度量和分类报告。

   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)))

   这应返回以下混淆矩阵：

   

4. 要使用给定的测试集找到最佳截止值，请计算 Logistic 回归的对数损失函数。对数丢失函数被定义为返回其地面真相标签的预测概率的 Logistic 模型的负对数似然。以下示例代码以数字和迭代方式计算对数丢失值（-(y*log(p)+(1-y)log(1-p)），其中y是真正的标签，p是相应检验样本的概率估计值。它返回对数丢失与截止图。

   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()

   这应返回以下对数丢失曲线。

   

5. 使用 NumPy 查找误差曲线的最小点argmin和min函数：

   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.

   您可以估计成本函数作为替代方法，而不是计算和最小化日志丢失函数。例如，如果要训练模型以对业务问题（如客户流失预测问题）执行二进制分类，则可以为混淆矩阵元素设置权重，并相应地计算成本函数。