该系列文章为，观看“吴恩达机器学习”系列视频的学习笔记。虽然每个视频都很简单，但不得不说每一句都非常的简洁扼要，浅显易懂。非常适合我这样的小白入门。
本章含盖
- 12.1 确定执行的优先级
- 12.2 误差分析
- 12.3 不对称性分类的误差评估
- 12.4 精确度和召回率的权衡
- 12.5 机器学习数据
12.1 确定执行的优先级
垃圾邮件分类器：
y=1 表示‘垃圾邮件’
y=0 表示’非垃圾邮件’
为了应用‘监督学习’，首先需要想到的是，如何表示’邮件的特征向量x’，通过特征向量 x 和分类标签 y。我们就能训练一个分类器。比如使用逻辑回归的方法。
👇有一种选择邮件特征向量的方法：
我们可以提供一个可能包含100个单词的列表，通过这些单词来区分垃圾邮件或非垃圾邮件。
特征向量 仅表示这个词是否在邮件中出现过，而不表示出现的次数。
在实际工作中普遍的做法是，在训练集中，我们会挑选频率最多的 n 个单词，n 一般在 10000 到 50000 之间，然后将它作为你的特征向量。
如果你正在构建一个‘垃圾邮件分类器’，你会遇到的一个问题是，如何在有限的时间内，让你的‘垃圾邮件分类器’具有高精准度和低错误率。
收集大量的数据
一个很容易想到的方法是，收集大量的数据，确实有一种倾向认为，数据收集的越多，算法就会越准确。
实际上在‘垃圾邮件分类器’领域就有一个正规的项目，叫做Honey Pot项目。这个项目通过创建虚假的邮箱地址，然后故意将这些地址，暴露给垃圾邮件的发送者，以此来收集大量的垃圾邮件，然后得到大量的垃圾邮件数据来训练分类算法。用更复杂的特征变量，来描述邮件。
通过邮件的标题，来构建一个更加复杂的特征，来捕获到这封邮件的来源信息关注邮件的主体部分，并构建更复杂的特征
设计更复杂的算法，来检查出单词中故意出现的拼写错误
我们可能绞尽脑汁的想出了一堆👆这样的方法去设计我们的‘垃圾邮件分类器’系统，但是，我们无法得知那个方法是有效的
12.2 误差分析
通过‘误差分析’从众多的方法中做出选择。
对错误分类的邮件进行分析、分类
a）Pharma
b）replica/fake
c）steal passwords
d）other思考有什么特征能够保证你的算法正确的分类它们。
a）检查故意的拼写错误
b）不常用的email 路由
c）不常见的邮件符号
所以，👆这样的误差分析是一种手动地去检查算法所出现的失误的过程。
对于不同的算法，不同的学习算法而言，对它们造成困难的样本总是相似的，通过一个简单粗暴的算法实现，你可以很快找到算法的不足所在和难以处理的样本类型。
词干提取只会识别单词的前几个字母，这有利也有弊。比如，’universe’和‘university’看成是一个单词。
这时，错误分析（error analysis）很难帮助我们决定使用’词干提取’是否对我们的算法有益。我们只能实现一遍带有‘词干提取’的算法来验证效果是否有所提升。
这时我们就需要’数值评估（numerical evaluation）’来对算法的记过进行评估了。如，可以将 未使用’词干提取’的算法的错误率 与 使用了’词干提取算法’的错误率 进行比较。
对这个特定的问题，这个很自然的，单一规则的数值评价指标就叫做交叉验证错误率。在这之后，这种带有‘数值评估指标’的例子，还需要进行一些其他处理。
所以，当你改进学习算法时，你总是要去尝试很多新主意和新版本的算法，如果你每次试用新方法都手动地去检测这些例子，看看表现的好不好，会让你很难去决定到底应不应该使用词干提取，该不该区分大小写。但是通过一个单一规则的数值评估指标，你可以观察误差率是变大了还是变小了，你可以通过它更快地实践你的新想法。
所以，我强烈建议在‘交叉验证’上做‘错误分析’，而不是在’测试集’上。
人工手动的分析错误例子，是为了对问题进行归类，同时对大头问题思考解决的方案，而‘数值评估’是快速帮我们验证，我们的解决方法是否有效了。
12.3 不对称性分类的误差评估
👆这种情况出现在 正例和负例的比率非常接近于一个极端的情况。我们将这种情况称之为“偏斜类”。即，一个类中的样本数与另一个类的数据相比多很多，通过总是预测y=0或y=1算法可能表现非常好。
因此，使用分类误差或者分类精确度，来作为评估度量可能出现如下问题：
比如，你算法的精确率为 99.2% （error：0.8%）
然后，你对算法做了一些改动后，精确率为 99.5%（error：0.5%），那么这个新的算法到底是否好于旧的算法了？可能，你的新算法仅是将预测值都返回了0。
所以，如果你有一个偏斜类，then，用分类精确度，并不能很好地衡量算法。因为你可能会获得一个很高的精确度，非常低错误率。但我们不知道我们是否真的提升了分类模型的质量。
因此对于’偏斜类’，我们希望有一个不同的’误差度量值’或者不同的’评估度量值’，其中一种评估度量值叫做’查准率（准确率）’和’召回率’
True Positive （真正例, TP）被模型预测为正的正样本；可以称作判断为真的正确率
True Negative（真负例 , TN）被模型预测为负的负样本 ；可以称作判断为假的正确率
False Positive （假正例, FP）被模型预测为正的负样本；可以称作误报率
False Negative（假负例 , FN）被模型预测为负的正样本；可以称作漏报率
通过使用’查准率’和’召回率’，我们发现即使我们拥有非常偏斜的类，算法不能够通过总是预测 y = 1、或 y = 0 来欺骗我们，因为它们不能够获得高的查准率和召回率。具体地说，如果一个分类模型拥有高的查准率和召回率，那么我们可以确信地说，这个算法表现很好，即便我们拥有很偏斜的类。
12.4 精确度和召回率的权衡
- 只有在我们非常确信的情况下，才会预测一个病人是否患了癌症。
这样做的一种方法，是修改算法的临界值。如，将算法的临界值从0.5修改为0.7。 - 避免遗漏掉患有癌症的人，即我们希望避免假阴性。
通常来说，对于大多数的逻辑回归模型，你得权衡查准率和召回率。
那么，这又产生了一个问题，那就是，有没有办法自动选取临界值了？或者更泛的说，如果我们有不同的算法，或者不同的想法，我们如何比较不同的’查准值’和’召回率’？？？
更具体的说，比如我有不同的学习算法，或者相同的学习算法，不同的临界值，我们该如何决定哪一个算法是好的了？
与此相反的是，如果我们有一个评估度量值，一个数字，能够告诉我们到底是算法1好还是算法2好。
实现一个’评估度量值’的方法：
-
求’查准率’和’召回率’的平均值 （不推荐）
缺点：可能出现’偏斜类’时，误将不好的算法当做好的算法看待（即，’查准率’和’召回率’呈极端情况，可能是正向和反向数据样本分别极端导致，也可能是因为设置的临界值太大或太小导致）
因此，我们能够通过是否具有一个非常低的’查准率’（同时，具有非常高的’召回率’）或非常低的’召回率’（同时，具有非常高的’查准率’）来判断这个算法是不是一个不好的算法。 -
F 值，又称’F_1 值’ （推荐）
我们使用调和平均而不是简单的算术平均的原因是：调和平均可以惩罚极端情况。一个具有 1.0 的精度，而召回率为 0 的分类器，这两个指标的算术平均是 0.5，但是 F1 score 会是 0。
当然，如果你的目标是自动选择临界值，来决定你希望预测 y = 1，还是 y = 0。那么一个比较理想的办法是试一试不同的临界值，然后评估这些不同的临界值，在交叉验证上进行测试，选择能得到最高F值的那个临界值。
12.5 机器学习数据
使用不同的学习算法的效果，与将这些效果使用到不同训练数据集上，两者的比较。
如，对易混淆的单词进行分类（监督学习）
他们尝试了4中算法：
Perceptron
Winnow
Memory-based
Naive Bayes
👆可见，随着训练集数据量的增加，这些算法的性能也都对应地增强了。事实上，如果你选择一个算法，可能是选择了一个劣质的算法，如果你给这个劣质算法更多的数据，那么从这个例子中看起来的话，它看上去很有可能比其他算法更好，甚至会比优质算法更好。
许多不同的学习算法有时倾向于依赖一些细节，并表现出相当相似的性能，但是真正能提高性能的是你能够给予一个算法大量的训练数据。
像这样的结果，引起了一种在机器学习中常用说法：并不是拥有最好算法的人能成功，而是拥有最多数据的人成功。
那么，这种情况什么时候是真？什么时候是假了？
👆这些算法是低偏差算法，因为我们能够拟合非常复杂的函数。因为我们有非常强大的学习算法，这些算法可以拟合非常复杂的函数。虽然我们有很多很多的特征参数，但是如果我们的训练集数量大于参数数量，那么就不太可能过度拟合。由此，我们可以推测出 'J_train(θ)训练集误差’ 可能接近于 'J_test(θ)测试集误差’。
最后，因为'J_train(θ)训练集误差’很小，而'J_test(θ)测试集误差’又接近于'J_train(θ)训练集误差’，那么这就意味着'J_test(θ)测试集误差’也会很小。
另一种考虑这个问题的方式是为了，有一个高性能的学习算法。我们希望它不要有高的偏差和方差。因此偏差问题，我们将通过确保有一个具有很多参数的学习算法来保证，以便我们能够得到一个较低偏差的算法，并且通过用非常大的训练集来保证，我们在此没有方差问题。
从根本上来说：’特征值有足够的信息量’，这是一个关键的假设。
