例如，我们只能对第二个模型的前 5% 预测采取行动。 在测试集上，它对应的概率阈值为 66%。 所有具有较高预测概率的员工都被认为有可能离开。
在这种情况下，只剩下 18 个预测。 但其中有 14 个是正确的！ 召回率下降到只有 23.7%，但准确率现在是 77.8%。 我们可能更喜欢它而不是原来的 69% 精确率，以最大限度地减少误报。
为了简化概念，我们可以在类分离图上想象一条线。
在实践中，我们可以通过以下两种方式之一进行限制：
- 通过仅对 top-X 预测采取行动
- 通过将概率大于 X 的所有预测分配给正类。
第一个选项可用于批处理模型。 如果我们一次为所有员工生成预测，我们可以对它们进行排序并选取前 5%。
如果我们根据要求进行个别预测，那么选择自定义概率阈值是有意义的。
这两种方法中的任何一种都可以根据用例起作用。
我们也可能决定以不同的方式可视化标签。 例如，将每位员工的流失风险标记为高、中或低。 它需要基于预测概率的多个阈值。
在这种情况下，我们将额外注意模型校准的质量，如类分离图所示。
总而言之，我们会考虑精确率召回率权衡来评估我们的模型并选择应用场景。 我们不是为每个人显示预测，而是选择一个阈值。 它帮助我们只关注流失风险最高的员工。
示例 3：有选择地应用模型
我们也可以采取第三种方法。
当查看两个模型的不同图表时，出现了一个明显的问题。 图表上的圆点背后的具体员工是谁？ 这两种模型在预测来自不同角色、部门、经验水平的离职人员方面有何不同？
这种分析可能会帮助我们决定何时应用模型，何时不应用。 如果有明显的模型失败的部分，我们可以排除它们。 或者，反过来，我们只能应用模型表现良好的地方。
在界面中，我们可以显示“信息不足”之类的内容。 这可能比一直犯错要好！
表现不佳的段
为了更深入地了解表现不佳的段，让我们分析分类质量表。 对于每个特征，它将预测概率与特征值一起映射。
通过这种方式，我们可以看到模型在哪里出错，以及它们是否依赖于单个特征的值。
让我们举个例子。
这是一个职位级别特征，它是角色资历的特定属性。
如果我们对 Level 1 的员工最感兴趣，第一个模型可能是一个不错的选择！ 它以高概率做出了一些自信的预测。 例如，在 0.6 阈值处，该组中只有一个误报。
如果我们想预测 Level 3 的辞职情况，第二个模型看起来要好得多。
如果我们希望我们的模型适用于所有 Level，我们可能会再次选择第二个模型。 平均而言，它在Level 1、2 和 3 中具有可接受的性能。
但同样有趣的是，这两个模型在Level 4 和 Level 5上的表现如何。对于这些组中的员工所做的所有预测，概率明显低于 0.5。 两种模型总是分配一个“negative”标签。
如果我们查看真实标签的分布，我们可以看到在这些工作级别中，辞职的绝对数量非常低。 很可能在训练中也是如此，并且该模型没有为该段（segment）选择任何有用的模式。
如果我们要在生产中部署模型，我们可以构建一个简单的业务规则并将这些segments从应用程序中排除。
我们还可以使用此分析的结果将我们的模型放在“绩效改进计划”中。 也许，我们可以添加更多数据来帮助模型？
例如，我们可能有最初从训练中排除的“旧”数据。 我们可以选择性地为表现不佳的部分增加我们的训练数据集。 在这种情况下，我们将添加更多关于Level 4 和 Level 5 员工辞职的旧数据。
总而言之，我们可以识别模型失败的特定部分（segments）。 我们仍然为尽可能多的员工展示预测。 但知道该模型远非完美，我们仅将其应用于全体员工中表现最佳的部分。
还能了解模型的什么行为？
同样的表还可以帮助我们更详细地了解模型的行为。 我们可以探索错误、异常值，并了解模型学到了什么。
例如，我们已经看到，第一个模型只能自信地预测少数辞职。 第二个模型从我们的数据中“捕捉”了更多有用的信号。 它从何而来？
如果我们查看我们的特征，我们可以得到一个提示。
例如，第一个模型成功地预测了那些对公司来说相对较新的人的辞职。 第二种模型可以检测到具有长达 10 年经验的潜在离职者。 我们可以从这个图表中看出：
我们可以在股票期权级别看到类似的情况。
第一个模型只能成功地预测那些 Level 0 的人。即使我们有相当多的辞职者，至少在 Level 1 也是如此！
第二个模型捕获了更多离职的更高级别（Level）的人。
但是，如果我们看一下加薪（即最近的加薪），我们会注意到没有明确的部分，其中任何一个模型的表现更好或更差。
除了第一个模型的一般特征之外，没有特定的“skew”可以做出更少的自信预测。
类似的分析可以帮助在模型之间进行选择或找到改进它们的方法。
就像上面的 JobLevel 示例一样，我们可能有办法扩充我们的数据集。 我们可能会添加其他时期的数据或包含更多特征。 在段（segments）不平衡的情况下，我们可以尝试给予特定示例更多的权重。 作为最后的手段，我们可以添加业务规则。
我们有赢家！
回到我们的例子：第二个模型是大多数场景的赢家。
但谁会只看 ROC AUC 就发誓呢？
我们必须超越单一指标来深入评估模型。
它适用于许多其他用例。性能比准确率更重要。 并且并不总是可以为每种错误类型分配直接的“成本”以对其进行优化。 将模型视为产品，分析必须更加细致入微。
不要忽视用例场景并将我们的标准与它联系起来，这一点至关重要。 可视化可能有助于与不以 ROC AUC 术语思考的业务利益相关者进行交流。
附属细则
本教程不是关于辞职预测，而是更多关于模型分析！
如果您希望解决类似的用例，让我们指出这个玩具数据集中至少有一些限制。
我们缺少一个关键数据点：辞职类型。人们可以自愿离开、被解雇、退休、搬到全国各地，等等。这些都是不同的事件，将它们组合在一起可能会产生模棱两可的标签。专注于“可预测”类型的辞职或解决多类问题是有意义的。
关于所执行的工作没有足够的上下文。其他一些数据可能更好地表明流失：绩效评估、特定项目、晋升计划等。这个用例需要与领域专家一起仔细构建训练数据集。
没有关于时间和辞职日期的数据。我们无法解释事件的顺序，也无法与公司历史上的特定时期相关联。
最后但并非最不重要的一点是，像这样的用例可能非常敏感。
您可以使用类似的模型来预测一线人员的流动情况。目标是预测招聘部门的工作量和相关的招聘需求。不正确的预测可能会导致一些财务风险，但这些风险很容易被考虑在内。
但如果该模型用于支持有关个别员工的决策，其影响可能会更加严重。例如，考虑分配培训机会时的偏见。我们应该评估用例的伦理并审核我们的数据和模型的偏见和公平性。
