想象一下，你训练了一个机器学习模型。也许，可以从中选几个候选方案。

你在测试集上运行它，得到了一些质量评估。模型没有过度拟合，特征也有意义。总的来说，在现有的有限数据下，它们的表现尽善尽美。

现在，是时候来决定它们是否好到可以投入生产使用了。如何在标准性的质量评估外，评估和比较你的模型呢？

在本教程中，我们将通过一个案例，详细介绍如何评估你的模型。

案例：预测员工流失情况

我们将使用一个来自Kaggle竞赛的虚构数据集，目标是识别哪些员工可能很快离开公司。

这个想法听起来很简单：有了预警，你可能会阻止这个人离开。一个有价值的专家会留在公司——无需寻找一个新的员工，再等他们学会工作技巧。

让我们试着提前预测那些有风险的员工吧！

首先，检查训练数据集。它是为方便我们使用而收集的。一个经验丰富的数据科学家会产生怀疑！我们将其视为理所当然，并跳过构建数据集的棘手部分。

我们有1470名员工的数据。

共35个特征，描述的内容包括：

• 员工背景（教育、婚姻状况等）。

• 工作细节（部门、工作级别、是否出差等）。

• 工作历史（在公司工作年限、最后一次晋升日期等）。

• 薪酬（工资、股票意见等）。

以及其他一些特征。

还有一个二元标签，可以看到谁离开了公司。这正是我们所需要的！我们将问题定义为概率分类任务。模型应该估计每个员工属于目标 "流失 "类的可能性。

在研究模型时，我们通常会将数据集分成训练和测试数据集。我们使用第一个数据集来训练模型，用其余的数据集来检查它在未知数据上的表现。

我们不详细介绍模型训练过程。这就是数据科学的魔力，我们相信你是知道的！

假设我们进行了很多次实验，尝试了不同的模型，调整了相应的超数，在交叉验证中进行了区间评估。

我们最终得到了两个合理的模型，看起来同样不错。

接下来，检查它们在测试集上的性能。这是我们得到的结果。

• 随机森林模型的ROC AUC值为0. 795分

• 梯度提升模型的ROC AUC评分为0.803分。

ROC AUC是在概率分类的情况下优化的标准指标。如果你寻找过Kaggle这个用例的众多解决方案，这应该是大多数人的做法。

我们的两个模型看起来都不错。比随机拆分好得多，所以我们肯定可以从数据中得到一些线索。

ROC AUC分数很接近。鉴于这只是一个单点估计（single-point estimate），我们可以认为性能相似。

那么问题来了，两者之间我们应该选哪个呢？

同样的质量，不同的特点

让我们更详细地分析这些模型。

我们将使用Evidently开源库来比较模型并生成性能报告。

如果你想一步一步地跟着做，可以在文末打开这个完整的upyter Notebook。

首先，我们在同一个测试数据集上训练两个模型并评估性能。

接下来，我们将两个模型的性能日志准备成两个pandas数据框(DataFrames）。每个包括输入特征、预测类和真实标签。

我们指定了列映射来来定义目标的位置，预测的类别，以及分类和数字特征。

然后，我们调用evidently tabs来生成分类性能报告。在单个的dashboard中显示两个模型的性能，以便我们可以比较它们。

comparison_report = Dashboard(rf_merged_test, cat_merged_test, column_mapping = column_mapping, tabs=[ProbClassificationPerformanceTab]) 
comparison_report.show()

我们将较简单的随机森林模型作为基准，对于这个工具来说，它成为 "参考（Reference）"。第二个梯度提升被表示为 "当前（Current）"的评估模型。

我们可以快速看到两个模型在测试集上的性能指标汇总。

现实情况不是Kaggle，所以我们并不总是关注第二位数。如果我们只看准确率和ROC AUC，这两个模型的性能看起来非常接近。

我们甚至可能有理由去偏爱更简单的随机森林模型，源于它更强的可解释性，或者更好的计算性能。

但F1-score的差异暗示可能还有更多故事。模型的内部运作方式各不相同。

重温类别不平衡问题

精明的机器学习者知道其中的窍门。两个类别的规模远不相等。在这种情况下，准确度的衡量标准是没有太大意义的。即使这些数字可能在 "论文"上看起来很好。

目标类通常是一个次要的类。我们希望预测一些罕见但重要的事件，比如：欺诈、流失、辞职。在我们的数据集中，只有16%的员工离开了公司。

如果我们做一个朴素的模型，只是把所有员工都归类为 "可能留下"，我们的准确率是84%！

ROC AUC并不能给我们一个完整的答案。相反，我们必须找到更适合预期模型性能的指标。

何谓"好的"模型？

你知道其中的答案：这要视情况而定。

如果一个模型能简单地指出那些即将辞职的人，并且永远是对的，那就太好了。那么我们就可以做任何事情了！一个理想的模型适合任何用例——但这往往不会在现实中出现。

相反，我们处理不完美的模型，使它们对我们的业务流程有用。根据应用，我们可能会选择不同的标准来评估模型。

没有一个单一的衡量标准是理想的。但模型并不是存在于真空中——希望你可以从提出问题开始！

让我们考虑不同的应用场景，并在此背景下评估模型。

示例1：给每个员工贴标签

在实践中，我们可能会将该模型集成到一些现有的业务流程中。

假设我们的模型用于在内部人力资源系统的界面上显示一个标签，我们希望突出显示每个具有高损耗风险的员工。当经理登录系统时，他们将会看到部门中每个人的 "高风险"或 "低风险"标签。

我们希望为所有员工显示标签。我们需要的模型尽可能的 "正确"。但我们知道，准确度指标隐藏了所有重要的细节。我们将如何评估我们的模型呢？

超越准确度

让我们回到evidently的报告中，更深入地分析两种模型的性能。

我们能够很快注意到，两个模型的混淆矩阵看起来是不同的。

我们的第一个模型只有两个假阳性（false positives）。听起来很不错？的确，它没有给我们太多关于潜在辞职的错误提醒。

但是，另一方面，它只正确识别了6次辞职。其他的53个都被漏掉了。

第二个模型错误地将12名员工标记为高风险。但是，它正确预测了27个辞职。它只漏掉了32人。

按类别划分的质量指标图总结了这一点。让我们看看 "yes"类别。

但第二个模型在召回率中胜出！它发现45%的人离开了公司，而第一个模型只有10%。

你会选择哪个模型呢？

最有可能的是，在目标 "辞职"类别中，召回率较高的那一个会赢。它可以帮助我们发现更多可能离职的人。

我们可以容忍一些假阳性，因为解释预测的是经理。人力资源系统中已有的数据也提供了额外的背景。

更有可能的是，在其中增加可解释性是必不可少的。它可以帮助用户解释模型预测，并决定何时以及如何做出反应。

总而言之，我们将基于召回率指标来评估我们的模型。作为一个非ML标准，我们将添加经理对该功能的可用性测试。具体来说，要把可解释性作为界面的一部分来考虑。

示例2：发送主动警报

让我们想象一下，我们期望在模型上有一个特定的行动。

它可能会与同一个人力资源系统进行整合。但现在，我们将根据预测发送主动通知。

也许，给经理发送一封电子邮件，提示安排与有风险的员工会面？或者是对可能的留用环节提出具体建议，比如额外的培训等等。

在这种情况下，我们可能对这些假阳性有额外的考虑。

如果我们过于频繁地给经理们发送邮件，他们很可能会被忽略。不必要的干预也可能被视为一种负面结果。

我们该怎么办？

如果没有任何新的有价值的功能可以添加，我们就只能使用现有的模型。我们无法榨取更多的精度。但是，可以限制采取行动的预测数量，目标是只关注那些预测风险较高的员工。

精度-召回率权衡

概率模型的输出是一个介于0和1之间的数字，为了使用预测，我们需要在这些预测的概率上分配标签。二元分类的 "默"方法是以0.5为切入点。如果概率较高，标签就是 "yes"。

我们可以选择一个不同的阈值，也许，0.6甚至0.8？通过设置更高的阈值，我们将限制假阳性的数量。

但这是以召回率为代价的：我们犯的错误越少，正确预测的数量也越少。

这个来自evidently报告的类别分离图（Class Separation）让这个想法非常直观。它在实际标签旁边显示了各个预测概率。

我们可以看到，第一个模型做出了几个非常自信的预测。稍微 "上调"或 "下调"阈值，在绝对数字上不会有太大的差别。

然而，我们可能会欣赏一个模型，并挑选出几个具有高置信度的案例的能力。例如，如果我们认为假阳性的成本非常高。在0.8处做一个分界点，就能得到100%的精度。我们只做两个预测，但都是正确的。

如果这是我们喜欢的行为，我们可以从开始就设计这样一个 "决定性 "的模型，它将强烈地惩罚假阳性，并在概率范围的中间做出较少的预测。(事实上，这正是我们在这个演示中所做的！）。

第二个模型的预测概率比较分散。改变阈值会产生不同的情况。我们只需看一下图示，就能做出大致的估计。例如，如果我们将阈值设置为0.8，就会让我们只剩下几个假阳性。

更具体地说，让我们看看精度-召回表。它旨在类似情况下选择阈值。它显示了top-X预测的不同情况。

例如，我们可以只对第二个模型的前5%的预测采取行动。在测试集上，它对应的概率阈值为66%。所有预测概率较高的员工都被认为有可能离职。

在这种情况下，只剩下18个预测。但其中14个将是正确的！召回率下降到只有23.7%，但现在的精度是77.8%。我们可能更喜欢它，而不是原来的69%精度，以尽量减少误报。

为了简化概念，我们可以想象一下类别分离图上的一条线。

在实践中，我们可以通过以下两种方式之一进行限制：

• 只对topX预测采取行动

• 将所有概率大于 X 的预测分配给正类。

第一种方案可用于批量模型。如果我们一次生成所有员工的预测，我们可以对它们进行分类，比如说，前5%。

如果我们根据要求进行个别预测，那么选取一个自定义的概率阈值是有意义的。

这两种方法中的任何一种都可以工作，这取决于具体用例。

我们也可以决定用不同的方式来可视化标签。例如，将每个员工标记为高、中、低流失风险。这将需要基于预测概率的多个阈值。

在这种情况下，我们会额外关注模型校准的质量，这一点从类别分离图上可以看出。

综上所述，我们会考虑精度-召回率的权衡来评估我们的模型，并选择应用场景。

我们不显示每个人的预测，而是选择一个阈值。它帮助我们只关注流失风险最高的员工。

示例3：有选择地应用模型

我们还可以采取第三种方法。

当看到两个模型的不同图谱时，一个明显的问题出现了。图上的小点背后的具体员工是谁？两种模型在预测来自不同角色、部门、经验水平的辞职者时有什么不同？

这种分析可能会帮助我们决定什么时候应用模型，什么时候不应用模型。如果有明显的细分市场，模型失效，我们可以将其排除。或者反过来说，我们可以只在模型表现好的地方应用模型。

在界面中，我们可以显示 "信息不足 "这样的内容。这可能比一直错误要好！

低性能部分

为了更深入地了解表现不佳的片段，我们来分析一下分类质量表（Classification Quality Table）。对于每个特征，它将预测的概率与特征值一起映射。

这样，我们就可以看到模型在哪些方面犯了错误，以及它们是否依赖于单个特征的值。

我们举个例子。

这里有一个工作等级（Job Level）特征，它是角色资历的特定属性。

如果我们对1级的员工最感兴趣，那么第一个模型可能是一个不错的选择！它能以高概率做出一些有把握的预测。例如，在0.6的阈值下，它在这个群体中只有一个假阳性。

如果我们想预测3级的辞职情况，第二个模型看起来要好得多。

如果我们希望我们的模型对所有级别都有效，我们可能会再次选择第二个模型。平均而言，它在1、2、3级中的表现可以接受。

但同样有趣的是，这两个模型在第4级和第5级上的表现**。**对这些群体中的员工做出的所有预测，概率都明显低于0.5。两种模型总是分配一个 "负"的标签。

如果我们看一下真实标签的分布，我们可以看到，在这些工作级别中，辞职的绝对数量相当低。很有可能在训练中也是如此，模型并没有发现任何有用的模式。

由于我们比较的是同一测试数据集上的性能，所以分布是相同的。

如果我们要在生产中部署一个模型，我们可以构建一个简单的业务规则，将这些片段（segments）从应用中排除。

我们也可以利用这个分析的结果，把我们的模型放在一个 "性能改进计划"上。也许，我们可以添加更多的数据来帮助模型。

例如，我们可能有一些 "旧的"数据，而这些数据是我们最初从训练中排除的。我们可以有选择地增强训练数据集，用于表现不佳的部分。在这种情况下，我们会添加更多关于4级和5级员工辞职的旧数据。

综上所述，我们可以识别出模型失败的特定细分片段，我们仍然显示出对尽可能多的员工的预测。但知道模型远非完美，我们只对表现最好的那部分员工进行应用。

模型知道什么？

这张表同样可以帮助我们更详细地了解模型的行为。我们可以探索误差、离群值，并了解模型的学习情况。

例如，我们已经看到，第一个模型只预测了少数有把握的辞职。第二个模型从我们的数据中 "捕捉"到了更多有用的信号。它是从哪里来的呢？

如果通过我们的特征，可以得到一个提示。

比如说，第一个模型只成功预测了那些相对新进公司的人的辞职，第二个模型可以检测出有10年以下工作经验的潜在离职者。我们可以从这个图中看到。

我们可以从股票期权等级（stock options level）中看到类似的情况。

第一个模型只成功预测了0级的员工。即使我们有不少重新加入的员工，至少也是1级的！第二种模型捕获到了更多等级较高的离职者。

但如果我们看加薪（即最近的加薪），我们会发现没有明显的细分，无论哪个模型的效果都更好或更差。

除了第一种模型的一般特征外，并没有具体的 "倾斜"，做出较少的置信预测。

类似的分析可以帮助在模型之间进行选择，或者找到改进模型的方法。

就像上面工作级别的例子一样，我们可能有办法来增强我们的数据集。我们可能会添加其他时期的数据，或者包含更多的特征。在类别不平衡的情况下，我们可以尝试给特定例子更多的权重。作为最后的手段，我们也可以添加业务规则。

我们找到了赢家！

回到我们的例子：第二种模式是大多数情况下的赢家。

但谁会只看ROC AUC就被信服了呢？我们必须超越单一的指标来深入评估模型。

它适用于许多其他用例。性能比准确度更重要。而且并非总是可以为每种错误类型分配简单的"成本"来对其进行优化。像对待产品一样对待模型，分析必须更加细致入微。

关键是不要忽视用例场景，并将我们的标准与之挂钩。可视化可能有助于那些不以ROC AUC思考的业务相关者进行沟通。

提示：本教程不用于辞职预测，而是模型分析

如果你想解决类似的用例，我们至少要指出这个数据集的几个限制。

• 我们缺乏一个关键的数据点：辞职的类型。人们可以自愿离职、被解雇、退休、搬到全国各地等等。这些都是不同的事件，将它们归为一类可能会造成模糊的标签。如果把重点放在 "可预测"的辞职类型上，或者解决多类问题来代替，会比较合理。

• 关于所从事的工作，没有足够的上下文。一些其他数据可能会更好地表明流失情况：绩效评估、特定项目、晋升规划等。这种用例需要与领域专家一起精心构建训练数据集。

• 没有关于时间和辞职日期的数据。我们无法说明事件的顺序，并与公司历史上的特定时期有关。

最后提醒一点：像这样的用例可能是高度敏感的。

你可能会使用类似的模型来预测一线人员的流动率。目标是预测招聘部门的工作量和相关的招聘需求。不正确的预测可能会导致一些财务风险，但这些很容易考虑进去。

但如果该模型用于支持对单个员工的决策，其影响可能会更加关键。例如，考虑分配培训机会时的偏差。我们应该评估使用案例的道德规范（the ethics of the use case），并审核我们的数据和模型是否存在偏见和公平（bias and fairness）。

参考链接：

• 本文所用数据集地址：https://www.kaggle.com/pavansubhasht/ibm-hr-analytics-attrition-dataset
• Evidently开源库：https://github.com/evidentlyai/evidently
• Jupyter notebook地址：https://github.com/evidentlyai/evidently/blob/main/evidently/examples/ibm_hr_attrition_model_validation.ipynb
• 原文地址：https://evidentlyai.com/blog/tutorial-2-model-evaluation-hr-attrition