Đánh giá ML thực tế: Vượt xa độ chính xác với Precision, Recall và AUC

Một mô hình học máy dự đoán gian lận thẻ tín dụng báo cáo độ chính xác 99.9%. Đội ngũ điều hành rất vui mừng—cho đến khi họ phát hiện ra rằng 0.1% giao dịch là gian lận, và mô hình chỉ đơn giản dự đoán is_fraud = False cho mọi yêu cầu. Nó không phát hiện được 0% gian lận trong khi tự hào về độ chính xác gần như hoàn hảo.

Đây chính là Nghịch lý Độ chính xác. Trong học máy thực tế—nơi các tập dữ liệu không cân bằng và chi phí của sai sót dương tính khác biệt rất lớn so với sai sót âm tính—độ chính xác thô là vô nghĩa.

Hướng dẫn này cung cấp một khung làm việc cấp độ sản xuất để đánh giá các mô hình phân loại, chọn số liệu phù hợp cho vấn đề kinh doanh của bạn và điều chỉnh ngưỡng quyết định trong Python.

1. Ma trận nhầm lẫn và các chỉ số cốt lõi

                     ┌─────────────────────────────────────────┐
                     │            Actual Reality               │
                     │    Positive (1)   │    Negative (0)     │
┌─────────┬──────────┼───────────────────┼─────────────────────┤
│ Model   │ Pos (1)  │ True Pos (TP)     │ False Pos (FP)      │
│ Predict ├──────────┼───────────────────┼─────────────────────┤
│         │ Neg (0)  │ False Neg (FN)    │ True Neg (TN)       │
└─────────┴──────────┴───────────────────┴─────────────────────┘

Từ bốn giá trị này, tất cả các chỉ số đánh giá chính đều được suy ra:

\text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}} \quad \text{(Khi mô hình dự đoán dương tính, nó đúng bao nhiêu lần?)}

\text{Recall (Sensitivity)} = \frac{\text{TP}}{\text{TP} + \text{FN}} \quad \text{(Trong số tất cả các trường hợp dương tính thực sự, chúng ta đã phát hiện được bao nhiêu phần trăm?)}

\text{Specificity} = \frac{\text{TN}}{\text{TN} + \text{FP}} \quad \text{(Trong số tất cả các trường hợp âm tính thực sự, chúng ta đã loại bỏ được bao nhiêu phần trăm?)}

2. Lựa chọn giữa Precision và Recall

Mỗi mô hình phân loại đều xuất ra một xác suất liên tục p \in [0, 1]. Việc dịch chuyển ngưỡng quyết định (ví dụ từ 0.5 xuống 0.2) sẽ tăng Recall nhưng phải đánh đổi bằng Precision.

Low Threshold (e.g. 0.1) ───────────► High Recall, Low Precision (Catches everything, high noise)
High Threshold (e.g. 0.8) ──────────► High Precision, Low Recall (Only fires on sure things)

Khi nào nên ưu tiên Recall (Giảm thiểu sai sót âm tính):

• Phát hiện gian lận: Bỏ lỡ một giao dịch chuyển khoản gian lận trị giá 5.000 đô la (FN) tệ hơn nhiều so với việc thỉnh thoảng kích hoạt xác minh SMS cho một khách hàng hợp pháp (FP).
• Sàng lọc bệnh / ung thư: Một khối u bị bỏ sót là tử vong; một kết quả dương tính giả chỉ dẫn đến một cuộc sinh thiết theo dõi vô hại.
• Phát hiện mối đe dọa bảo mật: Bỏ lỡ một cuộc xâm nhập đang hoạt động là thảm họa.

Khi nào nên ưu tiên Precision (Giảm thiểu sai sót dương tính):

• Bộ lọc thư rác: Bạn thà thấy một email thư rác trong hộp thư đến của mình còn hơn là email phê duyệt khoản vay thế chấp của bạn bị gửi vào thư mục Spam.
• Cấm tài khoản tự động: Cấm một khách hàng trả tiền vô tội gây ra sự bỏ đi và thiệt hại danh tiếng.
• Đề xuất nội dung: Hiển thị các video không liên quan khiến người dùng rời khỏi nền tảng.

3. Kết hợp các chỉ số: Điểm F_1 so với F_\beta

Điểm F_1 tiêu chuẩn là trung bình điều hòa của Precision và Recall, cân bằng cả hai một cách đồng đều:

F_1 = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}

Khi doanh nghiệp của bạn ưu tiên một yếu tố hơn yếu tố kia, hãy sử dụng Điểm F_\beta:

F_\beta = (1 + \beta^2) \cdot \frac{\text{Precision} \cdot \text{Recall}}{(\beta^2 \cdot \text{Precision}) + \text{Recall}}

• \beta = 2.0 (Điểm F_2): Trọng số Recall cao gấp 2 lần Precision (lý tưởng cho phát hiện gian lận / chẩn đoán y tế).
• \beta = 0.5 (Điểm F_{0.5}): Trọng số Precision cao gấp 2 lần Recall (lý tưởng cho tìm kiếm & lọc thư rác).

4. ROC-AUC so với Precision-Recall AUC (PR-AUC)

Cả hai chỉ số đều đánh giá mô hình trên tất cả các ngưỡng quyết định có thể (từ 0.0 đến 1.0), nhưng chúng hoạt động rất khác nhau trên dữ liệu không cân bằng:

ROC Curve:   Plot of True Positive Rate (Recall) vs False Positive Rate (FPR)
PR Curve:    Plot of Precision vs Recall

from sklearn.metrics import roc_auc_score, average_precision_score

# ROC-AUC is misleadingly high on imbalanced datasets!
roc = roc_auc_score(y_true, y_pred_prob)          # e.g., 0.985 (looks amazing)

# PR-AUC (Average Precision) reflects real-world rare class performance
pr_auc = average_precision_score(y_true, y_pred_prob) # e.g., 0.620 (reveals true difficulty)

Quy tắc chung:

• Nếu các lớp tương đối cân bằng (40/60 đến 50/50), hãy sử dụng ROC-AUC.
• Nếu lớp dương tính hiếm (< 5% tập dữ liệu), PR-AUC (Precision-Recall AUC) là chỉ số đáng tin cậy duy nhất. ROC-AUC sẽ bị thổi phồng bởi số lượng lớn các trường hợp âm tính đúng.

5. Hiệu chuẩn xác suất: Bạn có thể tin tưởng các con số không?

Nhiều bộ phân loại hiện đại (đặc biệt là XGBoost, LightGBM và Mạng nơ-ron sâu) xuất ra các xác suất không được hiệu chuẩn. Nếu một mô hình gán xác suất 0.80 cho 100 người dùng, chính xác 80 trong số họ phải là dương tính. Nếu chỉ có 40 người là dương tính, mô hình đang quá tự tin.

Đo lường và sửa lỗi hiệu chuẩn

from sklearn.calibration import CalibratedClassifierCV, calibration_curve
from sklearn.metrics import brier_score_loss
import lightgbm as lgb

# Train raw classifier
base_model = lgb.LGBMClassifier()
base_model.fit(X_train, y_train)

# Calculate Brier Score (lower is better; 0 = perfect calibration)
raw_brier = brier_score_loss(y_test, base_model.predict_proba(X_test)[:, 1])

# Calibrate using Isotonic Regression or Platt Scaling (Sigmoid)
calibrated_model = CalibratedClassifierCV(
    estimator=base_model,
    method='isotonic', # or 'sigmoid' for smaller datasets (< 1000 samples)
    cv='prefit'
)
calibrated_model.fit(X_val, y_val)

calibrated_brier = brier_score_loss(y_test, calibrated_model.predict_proba(X_test)[:, 1])
print(f"Brier score improved from {raw_brier:.4f} to {calibrated_brier:.4f}")

6. Triển khai Python hoàn chỉnh: Điều chỉnh ngưỡng tối ưu

Đây là cách huấn luyện một bộ phân loại trên dữ liệu không cân bằng và tìm ngưỡng quyết định tối ưu dựa trên chi phí kinh doanh (Cost(FN) = $100, Cost(FP) = $5):

import numpy as np
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.ensemble import HistGradientBoostingClassifier
from sklearn.metrics import precision_recall_curve

# Generate synthetic imbalanced dataset (1% positive class)
X, y = make_classification(
    n_samples=50_000, n_features=20, weights=[0.99, 0.01], random_state=42
)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, stratify=y)

# Fit model
clf = HistGradientBoostingClassifier(class_weight='balanced', random_state=42)
clf.fit(X_train, y_train)

# Predict continuous probabilities
y_probs = clf.predict_proba(X_test)[:, 1]

# Calculate Precision-Recall curve
precisions, recalls, thresholds = precision_recall_curve(y_test, y_probs)

# Define Business Cost Function
COST_FALSE_NEGATIVE = 100.0  # Missed fraud cost
COST_FALSE_POSITIVE = 5.0    # User friction cost

total_costs = []
for t in thresholds:
    y_pred = (y_probs >= t).astype(int)
    fn = np.sum((y_test == 1) & (y_pred == 0))
    fp = np.sum((y_test == 0) & (y_pred == 1))
    cost = (fn * COST_FALSE_NEGATIVE) + (fp * COST_FALSE_POSITIVE)
    total_costs.append(cost)

# Find optimal threshold minimizing business loss
best_idx = np.argmin(total_costs)
optimal_threshold = thresholds[best_idx]

print(f"Default 0.5 Threshold Cost:  ${total_costs[np.abs(thresholds - 0.5).argmin()]:,.2f}")
print(f"Optimized Threshold ({optimal_threshold:.3f}) Cost: ${total_costs[best_idx]:,.2f}")

Bảng tóm tắt đánh giá nhanh

Bạn cũng có thể thích

• Khoa học dữ liệu nhanh: DuckDB và Polars cho phân tích hiệu suất cao
• Tinh chỉnh Llama 3 với LoRA và Unsloth: Hướng dẫn dành cho nhà phát triển
• LangChain vs LlamaIndex: So sánh đường ống RAG
• Cơ sở dữ liệu vector và Hướng dẫn kiến trúc RAG