10.在开发/测试数据集和单值衡量指标的基础上，加速模型迭代 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?.

很难事先知道什么方法对新的问题有效。即使是经验丰富的机器学习研究人员，在找到合适的方法之前，也会尝试大量的想法。当构建一个机器学习系统时，我通常的做法是：

1. 首先提出一些构建系统想法
2. 然后用代码实现出来
3. 通过实验来证实这个想法到达好不好(通常开始的一些想法并不凑效)，根据学习效果，再提出其他想法，然后不断的迭代。
   

这是一个迭代过程，迭代的速度有多快，你的进展就会有多快。这就是开发和测试数据集以及单值衡量指标重要的原因：在开发和测试数据集上，使用单值衡量指标，可以让你你朝着正确的方向不断的前进。

相反，如果你没有指明开发数据集和单值衡量指标，每次你的团队开发一个新的猫咪分类器，你都需要将分类器打包进APP，然后玩上数个小时，来观察模型是否有所改进。这会让你们的速度，难以置信的慢。而且，如果你的团队将分类准确率从95.0%,提升到了95.1%，通过玩APP你可能无法感觉到这细微的改善。然而逐步积累的0.1%，就可以让你的APP产生很大的进步。使用开发数据集和单值衡量指标后，你可以快速的检测出，哪些想法可以带来细微的改善。这时你就可以快速的做出决策，哪些想法继续改进，哪些想法应当放弃。

更多好玩的机器学习教程: 进入袋马学院领一份 ，全部免费?.