Andrew Ng机器学习课程笔记（六）之机器学习系统的设计

Andrew Ng机器学习课程笔记（六）之机器学习系统的设计

http://www.cnblogs.com/fydeblog/p/7392408.html

前言

这篇博客主要记录了Andrew Ng课程第6章机器学习系统的设计，Andrew用他的丰富经验讲述了如何有效、耗时少地实现一个机器学习系统，内容包括误差分析，误差度量，查准率和查全率等等

I 首先要做什么

以一个垃圾邮件分类器算法为例，为了解决这样一个问题，我们首先要做的决定是如何选择并表达特征向量x。我们可以选择一个由100个最常出现在垃圾邮件中的词所构成的列表，根据这些词是否有在邮件中出现，来获得我们的特征向量（出现为1，不出现为0），尺寸为100×1。

为了构建这个分类器算法，我们可以做很多事，例如：

1. 收集更多的数据，让我们有更多的垃圾邮件和非垃圾邮件的样本
2. 基于邮件的路由信息开发一系列复杂的特征
3. 基于邮件的正文信息开发一系列复杂的特征，包括考虑截词的处理
4. 为探测刻意的拼写错误（把watch 写成w4tch）
开发复杂的算法

上面的选项，我们是要每一项去试吗？当然不，这样太花费时间和精力了。Andrew在下面几节向我们介绍了一个系统性的方法，来帮助我们选择一堆方法中最合适的那一个。

II 误差分析

最好的实践方法不是建立一个非常复杂的系统，拥有多么复杂的变量；而是构建一个简单的算法，这样你可以很快地实现它。

一旦做完，你可以画出学习曲线，通过画出学习曲线（第5章提过怎么画），以及检验误差，来找出你的算法是否有高偏差和高方差的问题，或者别的问题，在这样分析之后，再来决定用更多的数据训练，或者加入更多的特征变量是否有用。

原因是刚入机器学习，你并不能提前知道你是否需要复杂的特征变量，或者你是否需要更多的数据，还是别的什么。提前知道你应该做什么，是非常难的，因为你缺少证据，缺少学习曲线。我们必须用证据来领导我们的决策，怎样分配自己的时间来优化算法，而不是仅仅凭直觉，凭直觉得出的东西一般总是错误的。

除了画学习曲线外，还有就是进行误差分析，误差分析的意思是说：当我们在构造垃圾邮件分类器时，看一看交叉验证数据集，然后看一看哪些邮件被算法错误地分类。因此，通过这些被算法错误分类的垃圾邮件与非垃圾邮件，你可以发现某些系统性的规律：什么类型的邮件总是被错误分类。经常地这样做之后，这个过程能启发你构造新的特征变量，或者告诉你：现在这个系统的短处，然后启发你如何去提高它。

构建一个学习算法的推荐方法为：
1. 从一个简单的能快速实现的算法开始，实现该算法并用交叉验证集数据测试这个算法
2. 绘制学习曲线，决定是增加更多数据，或者添加更多特征，还是其他选择
3. 进行误差分析：人工检查交叉验证集中我们算法中产生预测误差的实例，看看这些实例是否有某种系统化的趋势

III 类偏斜的误差度量

上面提到了误差分析，以及设定误差度量值的重要性，用一个合适的误差度量值，这有时会对于你的学习算法造成非常微妙的影响，这件重要的事情就是偏斜类（skewed classes）的问题。类偏斜情况表现为我们的训练集中有非常多的同一种类的实例，只有很少或没有其他类的实例。

例如我们希望用算法来预测癌症是否是恶性的，在我们的训练集中，只有0.5%的实例是恶性肿瘤。假设我们编写一个非学习而来的算法，在所有情况下都预测肿瘤是良性的，那么误差只有0.5%。然而我们通过训练而得到的神经网络算法却有1%的误差。这时，误差的大小是不能视为评判算法效果的依据的。

两种度量：查准率（Precision）和查全率（Recall）

查准率（Precision）和查全率（Recall）我们将算法预测的结果分成四种情况：
1. 正确肯定（True Positive , TP）：预测为真，实际为真
2. 正确否定（True Negative , TN）：预测为假，实际为假
3. 错误肯定（False Positive, FP）：预测为真，实际为假
4. 错误否定（False Negative,FN）：预测为假，实际为真

查准率=TP/（TP+FP） 例，在所有我们预测有恶性肿瘤的病人中，实际上有恶性肿瘤的病人的百分比，越高越好。

查全率=TP/（TP+FN） 例，在所有实际上有恶性肿瘤的病人中，成功预测有恶性肿瘤的病人的百分比，越高越好。

这样，对于我们刚才那个总是预测病人肿瘤为良性的算法，其查全率是0。

IV 查全率和查准率之间的权衡

继续沿用刚才预测肿瘤性质的例子。假使，我们的算法输出的结果在 0-1 之间，我们使用阀值0.5来预测真和假。

如果我们希望只在非常确信的情况下预测为真（肿瘤为恶性），即我们希望更高的查准率，我们可以使用比0.5 更大的阀值，如0.7，0.9。这样做我们会减少错误预测病人为恶性肿瘤的情况，同时却会增加未能成功预测肿瘤为恶性的情况。

如果我们希望提高查全率，尽可能地让所有有可能是恶性肿瘤的病人都得到进一步地检查、诊断，我们可以使用比0.5 更小的阀值，如0.3

一般来说，查准率高时，查全率往往偏低；而查全率高时，查准率往往偏低。

我们可以将不同阀值情况下，查全率与查准率的关系绘制成图表，曲线的形状根据数据的不同而不同

一个帮助我们选阈值的方法是计算F1值

其中P是查准率，R是查全率

V 机器学习的数据

这一讲主要讲数据的数目对学习算法的影响

如果训练集比参数的数量还大，甚至是更多，那么这些算法就不太可能会过度拟合。也就是说训练误差有希望接近测试误差。最终可以得到一个低误差和低方差的学习算法。无论你之前是选择哪一种算法，数据量很大时，都趋近相同

"取得成功的人不是拥有最好算法的人，而是拥有最多数据的人"是有道理的