9.4 分类
分类（Classification）是一种重要的数据挖掘算法。分类的目的是构造一个分类函数或分类模型（即分类器），通过分类器将数据对象映射到某一个给定的类别中。分类器的主要评价指标有精确率（Precision）、召回率（Recall）、准确率（Accuracy）、ROC、AOC等。
我们想利用机器学习模型进行分类，比如邮件是不是垃圾邮件。在9.3节中，我们可以将逻辑回归用作分类的基础。例如，邮件为垃圾邮件的概率超过0.8，我们可能就会将其标记为垃圾邮件。0.8就是分类阈值（classificationthreshold）。那么，选定分类阈值之后，如何评估相应模型的质量呢?
评估分类效果的一种传统方式是使用准确率，它指的是正确结果数除以总数，就是正确结果所占的百分比。值得注意的是，虽然准确率是一种非常直观且广泛使用的指标，但它也有一些重大缺陷。如果问题中存在类别不平衡的情况，那么准确率指标的效果就会大打折扣。假设有一个用于展示广告的广告点击率的预测模型，我们要尝试使用准确率指标来评估此模型的质量。对于展示广告，点击率通常为千分之一、万分之一，甚至更低。因此，可能存在这样一个模型，这个模型只有一个始终预测“假”的偏差特征。这个始终预测“假”的模型预测的准确率为99.999%，但这毫无意义。显然，准确率并不适用于这种情况。
我们再看一个例子，虽然准确率确实是一个很好、很直观的评价指标，但是有时候准确率高并不能代表一个算法就好。比如某个地区某天地震的预测，假设有一堆的特征作为地震分类的属性，类别只有两个，即0；：不发生地震；1：发生地震。一个不加思考的分类器，对每一个测试用例都将类别划分为0，那么它就可能达到99%的准确率，但真的地震来临时，这个分类器毫无察觉，这个分类带来的损失是巨大的。为什么99%准确率的分类器却不是我们想要的，因为这里数据的分布不均衡，类别1的数据太少，完全错分类别1依然可以达到很高的准确率，却忽视了我们关注的东西。接下来详细介绍一下分类算法的评价指标。
9.4.1 评价指标—准确率
我们首先介绍几个常见的模型评价术语。假设我们的分类目标只有两类，即正例(Positive)和负例（Negative），分别如下。
TruePositives(TP)：被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）。
●FalsePositives(FP）:被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数。
第9章 TensorFlow 高级知识
279