1.11 超过人的表现
Surpassing human-level performance
例子 分类任务
Classification task
![](https://i-blog.csdnimg.cn/blog_migrate/3daba91d0a4934579545987b606a6418.png)
Case1:可以认为贝叶斯误差为0.5%,可避免偏差是0.1%,方差是0.3%,应该侧重于调整方差。
Case2:训练误差以及开发误差以及超过了人类水平,很难评价是该调整方差还是偏差,模型的精度肯定还是可以进一步改进的,但是并不清楚最优贝叶斯误差是多少,在算法调整的方向上会变得不清晰,这也就意味着在超过人类水平,算法改进难度增加。
机器学习超过人类水平的领域:
- 网络广告(Online advertising)
- 产品推荐(Product recommendations)
- 快递时间预测(Logistics / predicting transit time)
- 信贷评价(Loan approvals)
注:上述四个领域,采用的数据多是结构化数据(structural data),而且并非自然感知问题,即非计算机视觉、语音识别、NLP问题。人类在自然感知问题上会很在行。并且在处理上述问题时,可以获取并访问到大量的数据,可能比任何人能够获取的数据还要多。
- 语音识别(Speech recognition)
- some 影像识别 (Image recognition)
- 医学领域(medical)—— ECG 、 Skin cancer、certain narrow radiology task ...
1.12 改善你的模型表现
Improving your model performance
一个监督学习算法达到实用,需要满足两个前提:
- 针对训练集,模型拟合的足够好 —— 低可避免偏差
- 模型在开发集和测试集上泛化能力较强 —— 方差不能太大
提升机器学习系统的策略:
- 低偏差
- 训练更大的模型
- 增加训练时间
- 使用更好的优化算法
- 新的网络架构 (RNN、CNN etc.)
- 超参搜索
- 低方差
- 更多的数据
- 正则化 —— L2 、dropout 、 data augmentation ...
- 新的网络架构
- 超参搜索