网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
需要这份系统化资料的朋友，可以戳这里获取
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
注意：
对于列名， pd.read_csv()的参数names；pd.Dataframe()的参数columns，我总是把二者弄混
在很多分类场景当中我们不一定只关注预测的准确率（准确率并不是衡量分类正确的唯一标准）
比如以这个癌症举例子！！！我们并不关注预测的准确率，而是关注在所有的样本当中，癌症患者有没有被全部预测（检测）出来。
4.1 混淆矩阵
-
准确率
- 预测正确的数占样本总数的比例
- (TP+TN) / (TP+FP+FN+TN)
分类评估报告api
- y_true：真实目标值
- y_pred：估计器预测目标值
- labels:指定类别对应的数字
- target_names：目标类别名称
- return：每个类别精确率与召回率
- 一般认为数据比例4比1则为不均衡
问题：如何衡量样本不均衡下的评估？
解答：AUC指标主要用于评估样本不均衡的二分类问题
4.2 ROC曲线与AUC指标
- TPR = TP / (TP + FN)
- 召回率
- 所有真实类别为1的样本中，预测类别为1的比例
- FPR = FP / (FP + TN)
- 所有真实类别为0的样本中，预测类别为1的比例
（1）ROC曲线
ROC曲线的横轴就是FPRate，纵轴就是TPRate，当二者相等时，表示的意义则是：对于不论真实类别是1还是0的样本，分类器预测为1的概率是相等的，此时AUC为0.5
AUC（Area Under Curve）被定义为ROC曲线下的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。
- AUC的概率意义是随机取一对正负样本，正样本得分大于负样本得分的概率
- AUC的范围在 [0, 1] 之间，并且越接近1越好，越接近0.5属于乱猜
- AUC=1，完美分类器，采用这个预测模型时，不管设定什么阈值都能得出完美预测。绝大多数预测的场合，不存在完美分类器。
- 0.5<AUC<1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。
AUC计算API
- 计算ROC曲线面积，即AUC值
- y_true：每个样本的真实类别，必须为0(反例),1(正例)标记
- y_predict：预测得分，可以是正类的估计概率、置信值或者分类器方法的返回值
注意：
- AUC只能用来评价二分类
- AUC非常适合评价样本不平衡中的分类器性能
4.3 ROC曲线绘制
关于ROC曲线的绘制过程，通过以下举例进行说明
假设有6次展示记录，有两次被点击了，得到一个展示序列（1:1,2:0,3:1,4:0,5:0,6:0），前面的表示序号，后面的表示点击（1）或没有点击（0）。
然后在这6次展示的时候都通过model算出了点击的概率序列。
下面看三种情况。
TPR = TP/(TP+FN)
FPR = FP/(TN+FP)
绘制的步骤是：
- 把概率序列从高到低排序，得到顺序（1:0.9,3:0.8,2:0.7,4:0.6,5:0.5,6:0.4）；
- 从概率最大开始取一个点作为正类，取到点1，计算得到TPR=0.5，FPR=0.0；
- 从概率最大开始，再取一个点作为正类，取到点3，计算得到TPR=1.0，FPR=0.0；
- 再从最大开始取一个点作为正类，取到点2，计算得到TPR=1.0，FPR=0.25;
- 以此类推，得到6对TPR和FPR。
然后把这6对数据组成6个点(0,0.5),(0,1.0),(0.25,1),(0.5,1),(0.75,1),(1.0,1.0)。
- 把概率序列从高到低排序，得到顺序（1:0.9,2:0.8,3:0.7,4:0.6,5:0.5,6:0.4）；
- 从概率最大开始取一个点作为正类，取到点1，计算得到TPR=0.5，FPR=0.0；
- 从概率最大开始，再取一个点作为正类，取到点2，计算得到TPR=0.5，FPR=0.25；
- 再从最大开始取一个点作为正类，取到点3，计算得到TPR=1.0，FPR=0.25;
- 以此类推，得到6对TPR和FPR。
然后把这6对数据组成6个点(0,0.5),(0.25,0.5),(0.25,1),(0.5,1),(0.75,1),(1.0,1.0)。
这6个点在二维坐标系中能绘出来。
（3）如果概率的序列是（1:0.4,2:0.6,3:0.5,4:0.7,5:0.8,6:0.9）
- 把概率序列从高到低排序，得到顺序（6:0.9,5:0.8,4:0.7,2:0.6,3:0.5,1:0.4）；
- 从概率最大开始取一个点作为正类，取到点6，计算得到TPR=0.0，FPR=0.25；
- 从概率最大开始，再取一个点作为正类，取到点5，计算得到TPR=0.0，FPR=0.5；
- 再从最大开始取一个点作为正类，取到点4，计算得到TPR=0.0，FPR=0.75;
- 以此类推，得到6对TPR和FPR。
然后把这6对数据组成6个点(0.25,0.0),(0.5,0.0),(0.75,0.0),(1.0,0.0),(1.0,0.5),(1.0,1.0)。
这6个点在二维坐标系中能绘出来。
- 上面的第一种情况，从上往下取，无论怎么取，正样本的概率总在负样本之上，所以分对的概率为1，AUC=1。再看那个ROC曲线，它的积分是什么？也是1，ROC曲线的积分与AUC相等。
- 上面第二种情况，如果取到了样本2和3，那就分错了，其他情况都分对了；所以分对的概率是0.875，AUC=0.875。再看那个ROC曲线，它的积分也是0.875，ROC曲线的积分与AUC相等。
- 上面的第三种情况，无论怎么取，都是分错的，所以分对的概率是0，AUC=0.0。再看ROC曲线，它的积分也是0.0，ROC曲线的积分与AUC相等。
其实AUC的意思是——Area Under roc Curve，就是ROC曲线的积分，也是ROC曲线下面的面积。
绘制ROC曲线的意义很明显，不断地把可能分错的情况扣除掉，从概率最高往下取的点，每有一个是负样本，就会导致分错排在它下面的所有正样本，所以要把它下面的正样本数扣除掉（1-TPR，剩下的正样本的比例）。总的ROC曲线绘制出来了，AUC就定了，分对的概率也能求出来了。
当遇到数据类别不平衡的时候，我们该如何处理。在Python中，有Imblearn包，它就是为处理数据比例失衡而生的。
安装Imblearn包
- 过采样方法
- 增加数量较少那一类样本的数量，使得正负样本比例均衡。
- 欠采样方法
- 减少数量较多那一类样本的数量，使得正负样本比例均衡。
5.1 过采样方法
对训练集里的少数类进行“过采样”（oversampling），即增加一些少数类样本使得正、反例数目接近，然后再进行学习。
- 对于随机过采样，由于需要对少数类样本进行复制来扩大数据集，造成模型训练复杂度加大。
- 另一方面也容易造成模型的过拟合问题，因为随机过采样是简单的对初始样本进行复制采样，这就使得学习器学得的规则过于具体化，不利于学习器的泛化性能，造成过拟合问题。
为了解决随机过采样中造成模型过拟合问题，又能保证实现数据集均衡的目的，出现了过采样法代表性的算法SMOTE算法。
（2） 过采样代表性算法-SMOTE
- 先随机选定一个少数类样本 [公式] 。
- 找出这个少数类样本 [公式] 的K个近邻（假设K=5），5个近邻已经被圈出。
- 随机从这K个近邻中选出一个样本 [公式] （用绿色圈出来了）。
4)在少数类样本 [公式] 和被选中的这个近邻样本 [公式] 之间的连线上，随机找一点。这个点就是人工合成的新的样本点（绿色正号标出）。
SMOTE算法摒弃了随机过采样复制样本的做法，可以防止随机过采样中容易过拟合的问题，实践证明此方法可以提高分类器的性能。