如何评价算法的好坏？

序言

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：

# 导入所需的库 
import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt 
from sklearn.linear_model import LinearRegression 
from sklearn.preprocessing import PolynomialFeatures 
from sklearn.pipeline import Pipeline 
from sklearn.preprocessing import StandardScaler 
 
# 内嵌画图 
%matplotlib inline 
 
# 设置正常显示中文标签 
plt.rcParams['font.sans-serif'] = ['SimHei'] 
 
# 读取数据，在林骥的公众号后台回复「1111」 
df = pd.read_excel('./data/1111.xlsx') 
 
# x 年份 
x = np.array(df.iloc[:, 0]).reshape(-1, 1) 
 
# y 交易额 
y = np.array(df.iloc[:, 1]) 
 
# z 预测的年份 
z = [[2019]] 
 
# 用管道的方式调用多项式回归算法 
poly_reg = Pipeline([ 
 ('ploy', PolynomialFeatures(degree=3)), 
 ('std_scaler', StandardScaler()), 
 ('lin_reg', LinearRegression()) 
]) 
poly_reg.fit(x, y) 
 
# 用算法进行预测 
predict = poly_reg.predict(z) 
 
# 输出预测结果 
print('预测 2019 年双 11 的交易额是', str(round(predict[0],0)), '亿元。') 
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：

# 将数据可视化，设置图像大小 
fig = plt.figure(figsize=(10, 8)) 
ax = fig.add_subplot(111) 
 
# 绘制散点图 
ax.scatter(x, y, color='#0085c3', s=100) 
ax.scatter(z, predict, color='#dc5034', marker='*', s=260) 
 
# 设置标签等 
plt.xlabel('年份', fontsize=20) 
plt.ylabel('双 11 交易额', fontsize=20) 
plt.tick_params(labelsize=20) 
 
# 绘制预测的直线 
x2 = np.concatenate([x, z]) 
y2 = poly_reg.predict(x2) 
plt.plot(x2, y2, '-', c='#7ab800') 
plt.title('用多项式回归预测双 11 的交易额', fontsize=26) 
plt.show() 

这近乎完美地拟合了 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完美?

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：

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。

以上，希望能够对你有所启发。