#Week8 Advice for applying ML & ML System Design

一、Evaluating a Learning Algorithm

训练后测试时如果发现模型表现很差，可以有很多种方法去更改：

1. 用更多的训练样本；
2. 减少/增加特征数目；
3. 尝试多项式特征；
4. 增大/减小正则化参数$\lambda$。
   那么该怎么去选择采用哪种方式呢？
   一般将70%的数据作为训练集，30%的数据作为测试集。
   先用训练集最小化$J_{train}(\Theta )$，得到一组参数值$\Theta$；
   然后计算测试集误差$J_{test}(\Theta )$：
   对于线性回归：
   
   对于逻辑回归：
   
   测试集的平均误差（分类错误的比率）：
   
   假设要选择用几次多项式$d$去作为假设函数，那么做法就是不断尝试$d$，选择一个在测试集上损失最小的$d$，以此作为模型泛化能力的衡量。但是这样是有问题的，因为$d$相当于是被测试集训练的，再用测试集去测试，很不公平。所以一般将数据集分为3部分：60%训练集、20%交叉验证集、20%测试集：
   

二、Bias vs. Variance

看图：


正则化和Bias/Variance的关系：

训练集大小与Bias/Variance的关系：

三、Error Analysis

Andrew推荐的流程：

四、Handling Skewed Data

如果数据集中正负类的数据规模差距过大，只用误差衡量模型是不可靠的，此时需要查准率和召回率两个指标。

如何权衡这两个指标，一般使用$F1$得分：
$$F_1=2\frac{PR}{P+R}$$