深度学习笔记（20）：结构化机器学习项目的一般策略总结（2）

为什么是人的表现

为什么我们要把人的指标（准确度等）作为机器学习准确度的标准，是因为：
一方面，在很多领域，人的识别度是可以近似于贝叶斯误差的，也就是所谓的误差的最小值。所以我们实际上的bias判断也并不是基于在train上的错误率和0做差，而是和人的标准做差，评判到底是否合理。

另一方面，在机器学习达到人的级别之前的学习是很快的。在这之前我们可以用很多的手段使得机器学习快速达到人的水平，比如喂给它更多人工标记的数据，也可以通过人工观察出差距的原因。而在其指标超过人之后，就难以做到这一点了。所以人的误差是一个重要的衡量标准，也是一个分水岭。

可避免误差

也就是说我们不用0误差率来衡量，而是用近似于贝叶斯误差的人的误差来衡量模型的结果。
在跨过人的误差之后，更难判断模型的问题，机器学习的优化会变得更艰难。
事实上逻辑是这样的，在实际操作中，如果没有足够假设以至于无法知道精确的贝叶斯误差的表示，我们实际上常常在使用的是这个公式$AvailableBias=ModelTrainingSetError-BiasError\approx ModelTrainingSetError-HumanErrorLimitation$
然后用这个来衡量偏差，尝试调优模型。

超过人类表现时的可避免偏差

因为当超过人类表现时，我们无法判断bias偏差到底在哪里了。指明方向的工具已经没了。
我们不尽疑问，为什么机器学习算法能做的比人类更好，比如在线上广告，在产品建议，在贷款偿还能力预测等…这时候为什么机器学习能做的更好，其实就是因为它能够汲取更多的数据投入模型。
相比之下人类对于自然类感知比较擅长，但是对于统计学判断可能就不如大数据饲养的机器学习了。
希望你有一天也能设计出超越人类的算法。

总结：改善机器学习项目的一般步骤

如图所示，每一个步骤之前都有说，就不赘述了。