数据挖掘天池竞赛——心电图心跳信号多分类预测Task1赛题理解

1、赛题理解

\quad \quad 2016年6月，国务院办公厅印发《国务院办公厅关于促进和规范健康医疗大数据应用发展的指导意见》,文件指出健康医疗大数据应用发展将带来健康医疗模式的深刻变化，有利于提升健康医疗服务效率和质量。

\quad \quad 赛题以心电图数据为背景，要求选手根据心电图感应数据预测心跳信号，其中心跳信号对应正常病例以及受不同心律不齐和心肌梗塞影响的病例，这是一个多分类的问题。

赛题链接

1.1 赛题概括

\quad \quad 比赛要求参赛选手根据给定的数据集，建立模型，预测不同的心跳信号。赛题以预测心电图心跳信号类别为任务，数据集报名后可见并可下载，该该数据来自某平台心电图数据记录，总数据量超过20万，主要为1列心跳信号序列数据，其中每个样本的信号序列采样频次一致，长度相等。为了保证比赛的公平性，将会从中抽取10万条作为训练集，2万条作为测试集A，2万条作为测试集B，同时会对心跳信号类别（label）信息进行脱敏。

1.2 数据概括

\quad \quad 一般而言，对于数据在比赛界面都有对应的数据概况介绍（匿名特征除外），说明列的性质特征。了解列的性质会有助于我们对于数据的理解和后续分析。

train.csv

• id 为心跳信号分配的唯一标识
• heartbeat_signals 心跳信号序列(数据之间采用“,”进行分隔)
• label 心跳信号类别（0、1、2、3）

testA.csv

• id 心跳信号分配的唯一标识
• heartbeat_signals 心跳信号序列(数据之间采用“,”进行分隔)

1.3 预测指标

\quad \quad 选手需提交4种不同心跳信号预测的概率，选手提交结果与实际心跳类型结果进行对比，求预测的概率与真实值差值的绝对值（越小越好）。

具体计算公式如下：

针对某一个信号，若真实值为$[y_1,y_2,y_3,y_4]$模型预测概率值为$[a_1,a_2,a_3,a_4]$,那么该模型的平均指标$abs-sum$为
$$abs-sum=\sum _{j=1}^n\sum _{i=1}^4\left|y{}_i-a{}_i\right|$$
例如，心跳信号为1，会通过编码转成$[0,1,0,0]$，预测不同心跳信号概率为$[0.1,0.7,0.1,0.1]$，那么这个预测结果的$abs-sum$为
$$abs-sum=\left|0.1-0\right|+\left|0.7-1\right|+\left|0.1-0\right|+\left|0.1-0\right|=0.6$$

2、多分类评价指标

\quad \quad 分类是机器学习中比较常见的任务，对于分类任务一般有二分类、多分类和多标签分类。

多分类： 表示分类任务中有多个类别，但是对于每个样本有且仅有一个标签，例如一张动物图片，它只可能是猫，狗，虎等中的一种标签（二分类特指分类任务中只有两个类别）

多标签：一个样本可以有多个标签 。例如文本分类中，一个文本可以是宗教相关，也可以是新闻相关，所以它就可以有两个标签。

\quad \quad 对于二分类问题，我们有很多评价指标，因为只有正类和负类两种，往往我们只关心正类的准确率和召回率。但是对于多分类问题，有些二分类的评价标准就不怎么适用了。

2.1 多分类转化为2vs2问题来评价

\quad \quad 评价多分类问题时，通常把多分类问题分解成多个2分类问题。即n分类，分解为n个2分类，每次以其中一个类为正类，其余类统一为负类，计算之前提到的各种2分类指标，最后再平均计算多分类评价指标，有三种平均方式。

1、分别计算第i类的Precision、Recall和F1-score（把第i类当作正类，其余所有类统一为负类）：
记

• TP：True Positive， 把正类预测为正类；
• FP：False Positive，把负类预测为正类；
• TN：True Negative， 把负类预测为负类；
• FN：False Negative，把正类预测为负类
  P i = T P i T P i + F P i P_i=\frac{TP_i} {TP_i+FP_i} Pi​=TPi​+FP