西瓜书《机器学习》第二章部分课后题

题目2.1

数据集包含1000个样本，其中500个正例、500个反例，将其划分为包含70%样本的训练集和30%样本的测试集用于留出法评估，试估算公有多少种划分方式。

训练集和测试集的划分要尽可能保持数据分布的一致性，按题目要求，需要抽700个训练样本，300个测试样本，正例与反例的比例为$1:1$，即抽350个正例和350个反例组成700个训练样本，共有$C_{500}^{350}\times C_{500}^{350}$种划分方法。

题目若改成600个正例、400个反例，其比例为$3:2$，则抽$700\times 3/5=420$个正例和$700\times 2/5=280$个反例组成700个训练样本，剩下180个正例和120个反例组成300个测试赝本，比例同样是$3:2$。

题目2.2

数据集包含100个样本，其中正、反例各一半，假定学习算法所产生的模型是将新样本预测为训练样本较多的类别（训练样本数相同时进行随机猜测），试给出用10折交叉验证法和留一法分别对错误率进行评估所得的结果。

• 10折交叉验证法：每次验证，训练样本中的正例和反例都各占一半，此时模型对新样本的预测为随机猜测，期望错误率为0.5
• 留一法：若取1个正例作为测试样本，则训练样本中正例与反例的比例为$49:50$，此时模型对测试样本的预测结果为反例，错误率为1；若取1个反例作为测试样本，则训练样本中正例与反例的比例为$50:49$，此时模型对测试样本的预测结果为正例，错误率为1。综上所述，期望错误率为1。

题目2.3

若学习器A的$F_1$值比学习器B高，试析A的BEP值是否也比B高。

直接上代码跑数据，假定有5个样本，类别标签分别为：反例、正例、正例、反例、正例，

def perm(array):
    if(len(array)<=1):
        return [array]
    r=[]  
    for i in range(len(array)):
        s=array[:i] + array[i+1:]
        p=perm(s)  
        for x in p:  
            r.append(array[i:i+1] + x)
    return r

array = [0, 1, 2, 3, 4]
label = [0, 1, 1, 0, 1]

# machines = perm(array)
machines = [[4, 3, 2, 0, 1],
[4, 3, 2, 1, 0]]

# mlist是一个学习器
for mlist in machines:
    # 依次将学习器mlist中的前i个结果预测为正例
    for i in range(len(mlist)):
        tempLabel = [0] * len(label)
        for j in range(0, i + 1):
            tempLabel[mlist[j]] = 1
        TP = 0
        FN = 0
        FP = 0
        for m in mlist:
            if label[m] == tempLabel[m] and label[m] == 1:
                TP = TP + 1
            if label[m] == 1 and tempLabel[m] == 0:
                FN = FN + 1
            if label[m] == 0 and tempLabel[m] == 1:
                FP = FP + 1
        P = 1.0 * TP / (TP + FP)
        R = 1.0 * TP / (TP + FN)
        F1 = 0
        if P + R != 0:
            F1 = 2 * P * R / (P + R)
        print(P, '\t', R, '\t', F1)
    print('\n')

观测数据，取最后2个学习器记为B、A，可以看到，A的P-R曲线“包住”B的P-R曲线，两个学习器的BEP值相同，但A的某个$F_1$值高于B的某个$F_1$值，

从而得知，若学习器A的$F_1$值比学习器B高，A的BEP值不一定比B高。

题目2.4

试述真正例率（TPR）、假正例率（FPR）与查准率（P）、查全率（R）之间的联系。

若认真实践了题目2.3，接下来做题目2.4会比较有感觉。现根据学习器的预测结果对样例进行排序，排在前面的是学习器认为“最可能”是正例的样本，排在最后面的则是学习器认为“最不可能”是正例的样本。

观察P-R图，查全率和查准率是一对“矛盾”的度量。为了提升查准率，就必须把筛选条件设置得更加严格以尽量排除反例（即把阈值调小），那么排序排在反例后面的正例就会被pass，此时查全率下降；相反，为了提升查全率，就必须放松筛选条件（即把阈值调大），那么排序排在阈值前面的反例就会被预测为正例，此时查准率下降。

观察查全率与真正例率，可知两者相等。

观察ROC曲线图，真正例率与假正例率呈现“单调递增”关系。当调大阈值时，有可能使得FP增大且TN减小，假正例率变大，而此时，亦有可能TP增大且FN减小，真正例率变大。

题目2.5

试证明式（2.22）。

先不考虑$f({\mathbf{x}}^{+})=f({\mathbf{x}}^{-})$的情况，观察式(2.20)，可简写为
$$\text{AUC}=\sum _{i=1}^{m-1}(x_{i+1}-x_i)\cdot y_i，$$

接着将ROC曲线图横轴、纵轴各乘以$m^{-}$、$m^{+}$，发现$x_{i+1}-x_i=\{0,1\}$，仔细观察ROC曲线图，当$x_{i+1}-x_i=1$时，点$(x_{i+1},y_{i+1})$恰巧是一个反例样本，排序排在它前面的共有$y_i$个正例样本。举一个例子，

共有10个样本，根据学习器的预测结果对样本进行排序，得到$[1,1,1,0,1,0,1,0,0,0]$，其ROC曲线图如下，

红色点前面有3个正例样本，蓝色点前面有4个正例样本，绿色点前面有5个正例样本（后面的点依次类推）。

那么，式(2.20)可改写成

$$\text{AUC}=\frac{1}{m^{+}{m}^{-}}\sum _{{\mathbf{x}}^{-}\in D^{-}}\sum _{{\mathbf{x}}^{+}\in D^{+}}\mathbb{I}(f({\mathbf{x}}^{+})>f({\mathbf{x}}^{-}))，$$

注意两个求和符号的顺序，求和符号部分就是统计有颜色的点前面的正例样本个数，个数乘以1就是那一列的面积，而
$$\frac{1}{m^{+}}\cdot \frac{1}{m^{-}}$$
则是做归一化处理。

同样，计算${\ell }_{rank}$时不考虑$f({\mathbf{x}}^{+})=f({\mathbf{x}}^{-})$的情况，有颜色的点的“损失”为排序排在该点后面正例样本个数，有
$$\begin{array}{rl}{\ell }_{rank}& =\frac{1}{m^{+}{m}^{-}}\sum _{{\mathbf{x}}^{-}\in D^{-}}\sum _{{\mathbf{x}}^{+}\in D^{+}}\mathbb{I}(f({\mathbf{x}}^{+})<f({\mathbf{x}}^{-}))\\ & =\frac{1}{m^{+}{m}^{-}}\sum _{{\mathbf{x}}^{+}\in D^{+}}\sum _{{\mathbf{x}}^{-}\in D^{-}}\mathbb{I}(f({\mathbf{x}}^{+})<f({\mathbf{x}}^{-}))\\ & =\sum _{i=1}^{m-1}(x_{i+1}-x_i)\cdot (1-y_i)，\end{array}$$

易推$\text{AUC}=1-{\ell }_{rank}$。

接下来考虑$f({\mathbf{x}}^{+})=f({\mathbf{x}}^{-})$的情况，

假设红色点与蓝色点的预测值相等，我们记0.5个“罚分”，
$$\frac{1}{m^{+}{m}^{-}}\cdot \frac{1}{2}\cdot \mathbb{I}(f({\mathbf{x}}^{+})=f({\mathbf{x}}^{-}))$$
刚好就是上图绿色区域的面积，在式(2.20)的原本形式中，就是求梯形面积。

也可以换一个角度思考，由于$f$值相等，学习器进行随机预测，蓝色点以0.5概率落在红色点上方（此时${\mathbf{x}}^{+}$排在${\mathbf{x}}^{-}$前面），以0.5概率落在红色点右方（此时${\mathbf{x}}^{-}$排在${\mathbf{x}}^{+}$前面），期望之下则是直接画一条斜线，在计算式(2.21)时就直接添加0.5个“罚分”，注意斜线（折线）都代表了+、-两个样例，所以不妨碍蓝色点之后排在反例之前的正例点个数的统计。

证毕。

题目2.6

试述错误率与ROC曲线的联系。

Acknowledge

题目2.1、题目2.2和题目2.6参考自：https://blog.csdn.net/icefire_tyh/article/details/52065867
感谢@四去六进一

题目2.3的ROC曲线形状理解参考自：
https://www.cnblogs.com/gczr/p/10137063.html
感谢@光彩照人
（曲线不一定经过$(0,1)$和$(1,0)$）

题目2.4参考自：
https://www.jianshu.com/p/66ab21e08dd0
感谢@AI和金融模型

题目2.5的理解参考自：
https://blog.csdn.net/cherrylvlei/article/details/52958720
感谢@对半独白