9.约束性指标和优化性指标 翻译自 吴恩达新书-Machine Learning Yearning

更多好玩的机器学习教程: 进入袋马学院领一份 ，全部免费.

还有一种合并多个衡量指标的额方法。
假设除了关心准确率外，还关心算法执行耗时。你需要从下面三个算法中选择出合适的算法：

把两个指标放到一个算式中计算好像有点怪怪的，比如：
Accuracy - 0.5*RunningTime

这儿我们可以这么做：首先定义一下，我们可以接受的执行时间，比如我们可以接受算法执行100毫秒。然后，在可接受的时间范围内，最大化算法的准确率。这儿执行时间就是约束性指标，分类器必须满足这个指标，即最多执行100毫秒。分类准确率就是我们这里所说的优化性指标。

如果你需要权衡N个条件，比如模型文件大小(对于APP来说，文件大小非常重要，因为用户通常不会下载太大的APP)、执行时间和准确率。你可以将其中的N-1个条件作为约束性指标，让它们满足指定的值即可。然后指明其中一个作为优化性指标。比如，为文件大小和执行时间设置一个阈值，然后在此基础上，尽量优化准确率。

最后，假如你正在设计一款硬件设备，这个设备使用麦克风来检测用户是否说了某个特定的唤醒词，如果用户说了唤醒词，则启动设备。这个功能在很多大公司的产品中都有所体现，比如唤醒亚马逊的Echo可以说“Alexa”，唤醒苹果的Siri可以说说“Hey Siri”, 唤醒Android系统可以说“Okay，Google”，唤醒百度APP可以说“Hello Baidu”。设计这个功能时，你既要考虑系统误被唤醒的比例(用户没说这些唤醒词，系统却被唤醒了) 又要考虑系统没被正确唤醒的比例(用户说了唤醒词，系统却没被唤醒)。这对这种系统，你可以将系统没被正确唤醒的比例作为优化性指标，将误被唤醒的比例作为约束性指标，满足24小时内误被唤醒的次数小于等于1次即可。

一旦你的团对优化指标达成了一致，那你们的进展速度就会很快了。

更多好玩的机器学习教程: 进入袋马学院领一份 ，全部免费.