第三门课：结构化机器学习项目（第一周）——机器学习策略(1)

1. 机器学习策略

如何改善模型的性能?

• 收集更多数据
• 训练集多样性（如，识别猫，收集各种姿势的猫，以及反例）
• 训练的时间更长一些
• 尝试不同的优化算法（如 Adam优化）
• 尝试规模 更大 / 更小 的神经网络
• 尝试 DropOut 正则化
• 尝试添加 L2 正则化
• 设计新的网络结构（修改激活函数，隐藏单元数目）

以上方法都可以改变模型的性能，但是需要判断哪些是有效的，哪些是可以放心舍弃的。

2. 正交化 Orthogonalization

各个调整的变量之间最好没有耦合关系

定位出模型的性能瓶颈在哪个环节，利用对应的方法去改善。

early stopping，就是一个不那么正交化的方法
过早停止，影响训练集准确率，同时它又可以改善在开发集的准确率
它同时影响两件事情，尽量用其他的正交化控制方法

3. 单一数字评估指标

准确率、召回率、F1值(前两者的平均)：
$$F1=\frac{2}{\frac{1}{\text{ precision }}+\frac{1}{\text{ recall }}}=2\ast \frac{\text{ precison }\ast \text{ recall }}{\text{ precison }+\text{ recall }}=\frac{TP}{TP+\frac{FN+FP}{2}}$$

有一个单实数评估指标可以提高你做出决策的效率。

4. 满足和优化指标

考虑 N 个指标，有时候选择其中一个做为优化指标是合理的。

尽量优化那个指标，然后剩下 N-1 个指标都是满足指标，意味着只要它们达到一定阈值，你不再关心指标在阈值内的大小。

5. 训练/开发/测试集划分

举例：前4个区域的数据作为开发集，后4个作为测试集

非常不好，他们很可能来自不同的分布；
应该随机打乱所有的数据，重新划分。

6. 开发集和测试集的大小

7. 什么时候该改变开发/测试集和指标

更改测试指标:
$$\begin{array}{rl}& \text{ 误差 }:\frac{1}{\sum w^{(i)}}\sum _{i=1}^{m_{\text{dev }}}{w}^{(i)}\mathcal{L}\left\{\left({\hat{y}}^{(i)}\ne y^{(i)}\right)\right\}\\ & \\ & w^{(i)}=\{\begin{array}{cl}1& \text{ if }{x}^{(i)}\text{ 是非色情图片 }\\ 10& \text{ if }{x}^{(i)}\text{ 是色情图片 }\end{array}\end{array}$$
以上方法，你必须自己过一遍数据，把色情图片标记出来。

---

再比如：你的开发/测试集都是很清晰的专业图片，而应用最终上线是针对不专业的图片（模糊，角度不好等），那么就要更改开发/测试集，加入不专业图片作为训练数据。

8. 人类的表现水准

把机器学习的水平和人类的水平相比较是很自然的。我们希望机器比人做的更好

对于人类擅长的任务，在机器学习算法比人类差的时候，可以让人帮你标记数据，这样就有更多的数据可以喂给学习算法，改进算法。

9. 可避免偏差

10. 理解人的表现

11. 超过人的表现

情况B：超过 0.5% 的门槛（比最好的医生的误差还低），要进一步优化你的机器学习问题就没有明确的选项和前进的方向了

12. 改善你的模型的表现

总结：

以上的方法就是一种正交化的改进思路。

• 训练集误差 与 贝叶斯估计误差 之间的差距：可避免偏差
• 训练集误差 与 开发集误差 之间的差距：方差

---

改进偏差：

• 更大规模的模型
• 训练更久、迭代次数更多
• 更好的优化算法（Momentum、RMSprop、Adam）
• 更好的新的神经网络结构
• 更好的超参数
• 改变激活函数、网络层数、隐藏单元数
• 其他模型（循环NN，卷积NN）

---

改进方差：

• 收集更多的数据去训练
• 正则化（L2正则、dropout正则、数据增强）
• 更好的新的神经网络结构
• 更好的超参数