33.为社么要与人类的水平进行比较 翻译自 吴恩达新书-Machine Learning Yearning

吴恩达新书《机器学习年鉴》中文版单页版本

吴恩达新书《机器学习年鉴》全书目录导航

机器学习：让机器学会打游戏系列教程(含视频)

机器学习系统的目标是让机器自动化的完成人类能做的很好的事情。比如图片识别、语音识别、垃圾邮件分类。学习算法已获得的长足进步，在很多任务上表现出的性能超过了人类。

在人类能做的很好的任务中，构建机器学系统相对容易一些，原因有以下几点：

1. 通过人工标注很容易获取数据。比如，因为人可以很好的识别猫类图片，你的算法可以获得，人类提供的高精度标记数据。
2. 人类可以凭直觉分析误差。比如语音识别算法的性能低于人类识别水平，比如一段音频被错误的识别成“This recipe calls for a pear of apples"，错误把"pair"识别成"pear"了。你可以凭直觉想想，人类怎么来修正这些错误，并把这些知识来修正你的算法。
3. 可以用人类水平来评估算法的最优错误率，并设置期望的错误率。比如，你的算法在某项任务上的错误率为10%，而在这项任务上，人类能达到2%的错误率，那我们就知道最优的错误率为2%或者更低，因此可以避免的偏差最少为8%。此时你可以试试减少偏差的相关技术。

即使第三项看上去，可能并不那么重要，但是设置一个合理的且能达到的目标，的确可以帮助一个团队，加速他们的进度。知道你的算法有很高的偏差是非常价值的，这时我们就可以有方向的选择一些工作去做了。

有些工作可能人类也不擅长。比如向你推荐一本书、或向网站用户推荐一条广告、或预测股票行情。计算机在这些工作上，已经超出了大部分人的表现。在这些应用中，我们会遇到以下问题：

• 很难获取样本标签。人类很难标记出给用户推荐那些书最好。如果你运营一个售书的网站或APP，你可以通过展示书籍或查看用户以前的购买书籍，来获取这些数据。如果没有运营这样的网站，那么你就得想着其他法子，来获取这些数据。
• 人类的直觉很难靠得住，比如没人能准确的预测股票的行情，因此如果股票行情预测算法还没瞎猜的好，我们也很难找到解决的办法。
• 很难知道最优的错误率和合理的期望值。比如你的图书推荐系统已经做得相当好了，但是你怎么知道相对人来说，还有多大的提升空间呢？

更多好玩的机器学习教程: 进入袋马学院领一份 ，全部免费?.