本文探讨了在机器学习中的错误衡量问题，特别是在指纹识别应用场景中，错误类型如false reject（误拒绝）和false accept（误接受）带来的不同影响。以超市和CIA指纹识别为例，说明了在不同场景下错误类型的重要程度差异。重点介绍了如何寻找满足特定成本表的错误衡量标准，以及在实际操作中实现这一目标的三种策略：1) 错误率恰好最优；2) 证明所选误差指标合理；3) 优化算法使Ein(g)尽量小。
指纹识别的例子中，存在两种error：第一种是false reject是有权限进入的人却被拒绝访问了；false accept是没有访问权限的人被错误标记成有权限的人了。
举两个生活中例子
1.超市通过指纹识别来判断是否要给这个顾客一些折扣：
false accept：不应该给折扣的给了一点折扣，并没有什么特别大的影响；
false reject：应该给折扣的却没给，顾客会很生气以后再也不来了，相对来说会对超市造成比较大的影响。
2.CIA指纹识别进入机密资料室
false accept：会产生很恶劣的后果！
false reject：没有什么特别大的影响，无非就是再识别一次。
所以在这两个例子中false accept和false reject的重要程度不一样，这就是这节课的重点找到一个满足成本表的error。而不是之前的error measure。
Algorithmic Error Measure
但是在实际中，要找到符合成本表的error measure是比较困难的，比如说CIA的false accept是1000倍的重要性，现实生活中怎么去得到这样的一个精确的倍数呢，比较困难。所以有以下3种情况可以得到想要的error measure。
第一种就是error就恰好是最好的，此时的error冒就是error；
第二种是只要能找到合适的理由来证明你的选择就可以了，比如，在pocket算法中是要求noisy很小很小，所以0/1 error很小的时候对于pocket来说就是很好的方法；
第三种是更加容易使其对算法A进行优化，原理就是找到一个很接近的“替代品”来完成Ein(g)很小的目的。
FUN TIME
426
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
