吴恩达机器学习笔记4-误差分析

推荐的方法：
1. 开始一个简单的算法，然后快速实现，在交叉验证集上进行验证
2. 画出学习曲线，尝试不同的方案
3. 误差分析，手动检查算法错误的例子，看看是否存在系统性错误

最好有一种数值化评估算法的方法，以便分析算法的优劣

偏斜类：数据中一个类别的量远比另一个的多，会导致学习器直接全部猜测为数据量大的类

True Positive:预测为正实际为正
True Negative:预测为负实际为负
False Positive:预测为正实际为负
False Negative:预测为负实际为正

$precision=\frac{True Positive}{Predicted Positive}$

$=\frac{True Positive}{True Positive+False Positive}$

$recall=\frac{TruePositive}{Actual Positive}$

$=\frac{TruePositive}{TruePositive+FalseNegative}$

在分类问题中，临界值可以影响准确率和召回率，高准确率，低召回率，或者低准确率高召回率

评估算法的时候，准确率和召回率的平均值并不好，可以使用调和平均值

$$F_1=\frac{2PR}{P+R}$$