机器学习（二）：如何使用机器学习来解决一个问题？

给定一个问题，如何设计机器学习系统来解决此问题？

1. 机器学习流水线

1.1设计问题的流水线

什么是“machine learning pipeline”？对于一个由多个阶段/模块组成的系统，当系统中含有机器学习的阶段/模块时，我们就说这是一个机器学习流水线。
Photo OCR问题：识别图片中的文字。

我们将这一问题分成三部分：首先是检测到图片中存在文字的部分，然后将文字分割成一个个的字符，最后识别每一个字符。
其流水线如下：

这样我们就可以分模块的进行机器学习算法设计了。
假设三个模块都使用机器学习算法，而且对于每一个模块，都有一个简单的机器学习算法。现在我们想要改进整个系统的性能，那么，从哪个模块开始改进比较好？

1.2 使用ceiling analysis决定下一步的工作

如图所示：
使用测试数据集test set：
1. 首先得出最初整个系统的准确率为72%；
2. 采用人工标记的方式，将text detection的输出校正，使得text detection的准确率为100%，此时得到整个系统的准确率为89%；
3. 采用人工标记的方式，将Character segmentation的输出校正，使其准确率为100%，此时得到整个系统的准确率为90%；
4. 采用人工标记的方式，将Character recognition的输出校正，使其准确率为100%，此时得到整个系统的准确率为90%；
5. 我们可以发现：
- 改进text detection：最多可以提升17%的性能；
- 改进Character segmentation：最多可以提升1%的性能；
- 改进Character recognition：最多可以提升10%的性能；
6. 所以我们按照优先级：先改进第一个模块；再改进第三个模块；最后是第二个模块。

2. 单个机器学习算法的设计和改进

根据机器学习（一）：统计学习问题概述中关于机器学习步骤的描述，可以得知设计一个机器学习算法时，我们需要考虑的问题有很多，如何有序、有效的处理这些问题呢？

2.1 设计机器学习算法的方法

分三步：
1. 设计一个比较简单的算法；
2. 改进这个算法；
3. 使用error analysis来深入分析这个算法
其中，设计简单算法这一步不需要过多的解释。

2.2 改进初始算法的性能

首先设计一个比较简单的算法，然后测试其性能。发现其性能不好，如何改进？

如上图所示，可能增大训练集、增加/减小特征量，使用多项式特征量/非线性特征量，使用较大/较小的正则化……等等，每一个改进方法都需要花费大量的时间，那么我们如何选择有效的改进方法呢？

我们根据之前的知识可以得出：
如果性能不好的话，可以有两种理由：
- 欠拟合，也就是说模型的复杂度不够，这个时候我们要做的事情就是：使用更复杂的假设空间H。
- 过拟合，过拟合的影响因素有哪些？根据之前的讨论，有训练数据集大小N，模型复杂度和噪声多少。
首先我们需要确定初始模型性能不好的原因，然后再针对各种原因选择有效的改进方法。但是，无论哪种改进方法，都需要涉及到多个假设空间H，所以数据集分三个部分：training set、validation set和test set。

2.3 确定是欠拟合还是过拟合

根据$E_{out}\le E_{in}+\epsilon$和欠拟合、过拟合的定义：
对于欠拟合，$E_{in}$很大，$\epsilon$较小，从而 Eout≈E