深度学习性能度量
1.确定目标,即使用什么误差度量是第一步
因为误差度量将指导接下来的所有工作
同时我们也能够了解大概能得到什么级别的目标性能
2.对大多数应用而言,不可能实现绝对零误差
即使有无限的训练数据,并且恢复了真正的概率分布,但是由于输入特征可能无法包含输出变量的完整信息、或者系统本质上是个随机系统,则仍然产生了误差
当然实际上我们也不可能有无限的训练数据
3.通常我们需要收集更多的数据。但是我们需要在收集更多数据的成本,与进一步减少误差的价值之间权衡
4.通常我们需要对错误率定一个 baseline 从而判断预测得好坏
对于学术界,我们可以将先前公布的基准结果作为 baseline
在工业界,我们从安全的、能带来性价比、或者能吸引用户的角度来确定错误率的 baseline
5.性能度量:表明从哪个角度来度量算法的性能
常见的有:精度precision,召回率recall以及 PR curve,ROC曲线,F-score等
还有一种:覆盖率。它是机器学习系统能够产生响应的样本占所有样本的比例
一个系统可以拒绝处理任何样本,从而达到 100% 的精度。但是覆盖率为 0%
也可以从专业角度考量:点击率、用户满意度调查等等
最重要的是:确定使用哪个性能度量