- 机器学习项目的完整周期
- 第一步，决定项目是什么。第二步，收集数据。第三步，训练模型，进行错误分析并改进模型，可能会回到第二步。第四步，当模型足够好后，部署在生产环境中，继续监控性能并维护模型，以防性能下降，可能会回到第二步或第三步。
- 部署在生产环境中的常见方法：将模型部署在服务器中，并在应用程序中通过API调用，最后返回模型的预测
- 根据生产环境是服务于少数几个用户还是几百万个用户，软件工程的需求也有所不同：确保可靠和有效的预测输出，大量用户的扩展，记录用户输入输出数据，系统监控，模型更新等。
- 精确度和召回率
- 对于倾斜数据集（正面例子比反面例子不是50：50），我们通常不使用分类错误，而使用其他错误度量（精确度、召回率）来衡量模型的表现
- 如上图，对于只有0.5%的人患有罕见病的情况，如果我们的模型的分类错误率有1%，而一个只会输出y=0的模型的分类错误率却仅有0.5%，这很明显我们的模型还是能判断出一些罕见病，因此表现要比只会输出y=0的模型要好，但通过分类错误值却不容易判断
- 左图为混淆矩阵，分别将真实分类和预测分类填入矩阵中，四个区域分别为：真阳性（True positive），真阴性（True negative），假阳性（False positive），假阴性（False negative）
- 精确度为在所有我们预测y=1的例子中，真正为y=1的概率有多少。即 True positive / Predicted Class
- 召回率为在所有真正为y=1的例子中，我们预测y=1的概率有多少。即True positive / Actual Class
- 如果该模型一个y=1的例子都预测不出来，那我们说该模型的精确度为零，虽然此时精确度为 0 / 0 无定义
- 零召回率和零精确度都能表示该模型不是一个很好的模型，所以我们要求召回率和精确度都很高
- Precision很高：说话靠谱，Recall很高：遗漏很少
- 我们可以通过取不同的阈值，来选择不同的精确度和召回率。
- 通常对大多数学习算法来说，当阈值越高，精确度越高，召回率越低；当阈值越低，精确度越低，召回率越高。
- F1分数
- 如果通过精确度和召回率不容易判断模型的好坏，我们可以合并精确度和召回率，即取它俩的调和平均数（F1），通过F1的值来判断模型的好坏
- 调和平均数是强调较小值的平均数
