算法的离线评估

背景

• 在平时做项目的过程中，算法迭代是至关重要的，如果能准确找到算法的优化点和优化空间，那么可以使得最终的效果有很大的提升。
• 在实际的项目中，一个算法模块的上线可能会涉及算法，引擎，前段，测试等等一堆模块的修改，如果再加上链路的过长，跨部门跨团队的协同开发和联调不可避免，且非常耗时间，一旦上线发现效果不符合预期，会浪费大量的人力时间去排查和解决问题。
  
  • 这种情况需要我们算法端的同学保证算法的有效性，能够保证如果效果不符合预期，排查范围可以锁定在工程链路上，而不是算法逻辑上；
  • 尽量减少有个新算法新想法先扔到线上看看效果，视效果再继续迭代的想法，离线做好算法的评估，对最终算法效果又更强的把控，离线评估确保有正向价值的算法再退到线上；
  • 算法模块尽量抽象出现，使得算法迭代的过程减小其他模型涉及的改动，最好是其他模块零改动。

如果做好有效的离线评估呢？

离线评估重要的是选择一个靠谱的离线评估指标，选对并且用对了评估指标，可以让算法的迭代有明确的优化方向，离线的提升能够预期带来实际线上效果的提升。

GAUC

AUC指标相信对机器学习算法熟悉的人都比较了解，是非常常用的模型评价指标，在很多二分类的问题中是最重要的算法模型评估依据。以广告场景的ctr预估问题为例，ctr预估本质上是对一个流量是否会发生点击行为的一个预测，点击or不点击就是模型想给出的答案，也是一个二分类问题，一般地，算法会给一个流量打上一份score分，如果score分超过某个threshold，则判断为点击，否则不会点击，AUC指标本质上不会关心score分数的绝对值大小，只会关心score的相对大小和排序情况。AUC的计算需要记得如下公式：

AUC=∑Mi=1ranki−M(M+1)2M×N

其中M表示正样本个数，N表示负样本个数,ranki表示第i个正样本的排名，按score值从低到高排。

那么GAUC(Group AUC)就是考虑评估数据集中样本差异的因素，算出的综合AUC值，比整体的AUC值更能反映模型算法在某些问题上的效果。还是以广告场景的ctr预估为例，现如今的互联网广告都是强调千人千面的，不同的用户兴趣不同，看到的广告也千差万别，评估算法是，以用户为group，计算这个用户所样本的auc值，然后根据所有用户的pv量做加权平均，就得到了用户粒度的GAUC值。这样GAUC的值比起整体的AUC更能够反映模型在个性化流量上的能力。

GAUC应用的注意点：

• Group粒度的选择
  
  • group粒度的选择，会直接导致GAUC指标的意义，如果选择不当，对算法迭代其实是没有实际意义的。比如考虑这样的场景：在一个电商网站上，一个用户访问到一个店铺，店铺需要对这个用户个性化地展示店内的部分商品，如果我们有一个随机展示策略，已经积累了足够置信的数据，包括用户访问店铺对每个展示的商品的pv，click日志。那么离线评估GAUC如果选择group来评估一个算法好坏呢？这个场景如果说值取用户作为group的划分依据是不合理的，因为用户可能会在多个店铺都有pv，click日志，算法的目的是用户进到某个店铺之后，如果个性化的展示店铺里用户感兴趣的宝贝，吸引点击促成后续的成交转化。以用户为粒度，流量中就包含了其他店铺的宝贝，店铺之间的点击率本身就存在差异，这个差异会反应在GAUC的结果中，但是这个是算法不应该关心的问题。所以应该选择的是用户、店铺这个粒度作为流量划分的group。
• 不同算法策略在统一集合上评估才有意义
  
  • 这一点也非常重要，而且有时会忽略这个问题，比如我们线上实验了多个算法策略，得到了每个算法策略的效果对比，我们想离线计算一下GAUC指标是否和线上策略的效果是一致的，这时一个容易犯的错误就是对各个算法策略的流量分别计算GAUC值，然后比较。正确的做法是选择其中某个算法策略的流量，离线用另外几个算法对这个流量进行打分，在同样的流量下得到的GAUC值才是可比的。

扩展阅读

AUC计算方法
对比ROC曲线和PR曲线的博客
对比ROC曲线和PR曲线的论文
PR曲线分析算法优劣
AUC上升一定带来CTR上升？