1.如果你是态度认真的机器学习工程师，你会花很长时间清洗数据。
2.对网络提前训练完全不同的事物，比从来没有训练过的网络可以得到更好的结果。从某种角度讲，神经网络内部形成的特征，与你训练的图片类型无关。
3.敏感性与特异性
敏感性和特异性虽然与查准率和查全率相似，但并不相同。在癌症示例中，敏感性和特异性指：
敏感性：在患有癌症的所有人中，诊断正确的人有多少？
特异性：在未患癌症的所有人中，诊断正确的人有多少？
查准率和查全率的定义如下：
查准率：在被诊断患有癌症的所有人中，多少人确实得了癌症？
查全率：在患有癌症的所有人中，多少人被诊断患有癌症？
从这里可以看出，敏感性就是查全率，但特异性并不是查准率。
4.假设我们有一个能够输出黑色素瘤概率的神经网络。要将它分类为黑色素瘤或者非黑色素瘤，你会选择哪个值作为阈值？
下图是我们的模型对一组病变图像所做的预测直方图，如下所述：
- 水平轴上的每个点是从 0 到 1 的值 p。
- 在所有值 p 中，我们定位了被分类器预测概率 p 为恶性的所有病变。
在图中，我们将 0.2、0.5 和 0.8 作为阈值。请注意：
- 在 0.2 下，我们正确分类了每个恶性病变，但也对许多良性病变进行了进一步检查。
- 在 0.5 下，我们未诊断出一些恶性病变（严重），对少许良性病变进行了进一步检查。
- 在 0.8 下，我们对大部分良性病变进行了正确分类，但未诊断出许多恶性病变（非常严重）。
在该模型中，可能会有更好的阈值。这个阈值是0.4。