如何评价算法的好坏?

2021-01-27    分类: 网站建设

评价一个算法的好坏,我认为关键是看能不能解决问题。如果算法能很好地解决实际的问题,那么我认为就是好算法。 比如预测的算法,关键是看预测的准确率,即预测值与实际值之间的接近程度,而不是看算法本身的评分高低。

在《 如何用人工智能预测双 11 的交易额 》这篇文章中,利用线性回归算法,我预测 2019 年双 11 交易额为 2471 亿元,而阿里官方公布的实际交易额是 2684 亿元,预测值比实际值少 7.9%,对这个结果,我觉得准确率不够高。反思预测的过程,我认为可以从以下几个方面来进行改进。

1. 样本

为了简化算法模型,我舍弃掉了前几年相对较小的数据,只保留了最近 5 年的数据。

在数据量本身就比较少的情况下,我仍然遵循简单原则,这无形中就加大了算法不稳定的风险,出现了欠拟合的问题。

尽管算法的评分很高,但是评分高并不代表算法就好。所以,样本的选择非常重要,不能单纯地追求算法的评分高,而忽略样本的质量。

2. 算法

如果保留所有样本,那么显然数据呈现的规律并不是线性的,用多项式回归算法应该是个更好的选择。

假如用三次多项式回归算法进行预测,那么算法代码如下:

  1. # 导入所需的库 
  2. import numpy as np 
  3. import pandas as pd 
  4. import matplotlib.pyplot as plt 
  5. from sklearn.linear_model import LinearRegression 
  6. from sklearn.preprocessing import PolynomialFeatures 
  7. from sklearn.pipeline import Pipeline 
  8. from sklearn.preprocessing import StandardScaler 
  9.  
  10. # 内嵌画图 
  11. %matplotlib inline 
  12.  
  13. # 设置正常显示中文标签 
  14. plt.rcParams['font.sans-serif'] = ['SimHei'] 
  15.  
  16. # 读取数据,在林骥的公众号后台回复「1111」 
  17. df = pd.read_excel('./data/1111.xlsx') 
  18.  
  19. # x 年份 
  20. x = np.array(df.iloc[:, 0]).reshape(-1, 1) 
  21.  
  22. # y 交易额 
  23. y = np.array(df.iloc[:, 1]) 
  24.  
  25. # z 预测的年份 
  26. z = [[2019]] 
  27.  
  28. # 用管道的方式调用多项式回归算法 
  29. poly_reg = Pipeline([ 
  30.  ('ploy', PolynomialFeatures(degree=3)), 
  31.  ('std_scaler', StandardScaler()), 
  32.  ('lin_reg', LinearRegression()) 
  33. ]) 
  34. poly_reg.fit(x, y) 
  35.  
  36. # 用算法进行预测 
  37. predict = poly_reg.predict(z) 
  38.  
  39. # 输出预测结果 
  40. print('预测 2019 年双 11 的交易额是', str(round(predict[0],0)), '亿元。') 
  41. print('线性回归算法的评分:', poly_reg.score(x, y)) 

预测 2019 年双 11 的交易额是 2689.0 亿元。

线性回归算法的评分:0.99939752363314

下面是用 matplotlib 画图的代码:

  1. # 将数据可视化,设置图像大小 
  2. fig = plt.figure(figsize=(10, 8)) 
  3. ax = fig.add_subplot(111) 
  4.  
  5. # 绘制散点图 
  6. ax.scatter(x, y, color='#0085c3', s=100) 
  7. ax.scatter(z, predict, color='#dc5034', marker='*', s=260) 
  8.  
  9. # 设置标签等 
  10. plt.xlabel('年份', fontsize=20) 
  11. plt.ylabel('双 11 交易额', fontsize=20) 
  12. plt.tick_params(labelsize=20) 
  13.  
  14. # 绘制预测的直线 
  15. x2 = np.concatenate([x, z]) 
  16. y2 = poly_reg.predict(x2) 
  17. plt.plot(x2, y2, '-', c='#7ab800') 
  18. plt.title('用多项式回归预测双 11 的交易额', fontsize=26) 
  19. plt.show() 
如何评价算法的好坏?

这近乎好地拟合了 2009 年以来十一年的数据,因此不禁让人怀疑,阿里的数据是不是过于好?

3. 优化

按照一般的机器学习算法流程,应该把数据拆分为两部分,分别称为训练数据集和测试数据集。从 2009 年到 2018 年,双 11 的交易额总共才 10 个数据,我在预测的时候还舍弃了前 5 个数据,最后只剩下 5 个数据,我以为再拆分就没有必要了。 但机器学习算法的表现好坏,有一个关键因素,就是要有足够多的数据量。

另外,应该适当地使用网格搜索法,优化算法的参数,必要时还要与交叉验证法相结合,进行算法评估,从而提高算法的可信度和准确率。 除了算法的准确率,还可以使用其他的方法对模型进行评价,比如:召回率、F1 分数、ROC、AUC、MSE、RMSE、MAE 等等 。

现实世界是错综复杂的,很难用一个算法就解决问题,往往需要经过很多次的尝试,才可能找到基本符合的模型。需要注意的是,多项式回归的指数不宜过高,否则算法太复杂,很可能出现“过拟合”的现象,从而泛化能力比较差,也就是说,对于训练数据集能够很好地拟合,但是对于测试数据集的预测误差比较大。模型复杂度与预测误差的大致关系如下图所示:

如何评价算法的好坏?

小结

本文是我在用线性回归算法预测双 11 的交易额之后,做的一次复盘,总结了改进的思路,学习优化的方法。

学以致用,是我学习的基本原则。如果害怕出错,不去勇于实践,学习再多算法有什么用?这就如同我们不能指望不下水就学会游泳一样。

标题名称:如何评价算法的好坏?
网址分享:/news18/97618.html

成都网站建设公司_创新互联,为您提供移动网站建设自适应网站网站内链网站制作网站排名云服务器

广告

声明:本网站发布的内容(图片、视频和文字)以用户投稿、用户转载内容为主,如果涉及侵权请尽快告知,我们将会在第一时间删除。文章观点不代表本网站立场,如需处理请联系客服。电话:028-86922220;邮箱:631063699@qq.com。内容未经允许不得转载,或转载时需注明来源: 创新互联

外贸网站制作