1.测试数据尽量和要应用的数据分布吻合，这可能和训练数据分布不吻合；尽可能的使得dev 和 test sets的分布相同。
2.如果我们的算法要应用到特定的领域，dev和test sets的分布最好是相同的。
3. dev和test sets的大小要基于模型来定。通过dev和test sets评估不同模型的差异，如果模型差异越小，所需数据量越大。
4.确定一个单值的评价标准（比如accuracy）。如果一个评价标准有几个评价值，有时会很难确定一个明确的好的模型。比如，Precision和Recall。如果一定要通过Precision和Recall来评价，那么可以结合为一个值来评价，比如F1 score，或者进行平均，加权平均。
5.还有一种方法，先确定一个（或者剩余一个）评价标准的范围，在这个范围选取最好的另一个（剩余的那个）评价标准。
6.建立一个机器学习系统的过程为：
在这个过程中，需要dev set和评价标准来确定每个想法的优劣（使得实验向着正确的方向进行，哪个想法的提升明显），从而加快这个循环。
7.有时后，初始化的dev set和评价标准不适用了，这时候我们需要改变dev set和评价标准。主要有三个原因造成dev set和评价标准的不适用：a，实际应用的数据分布和dev set的分布不同；b，不断的使用同样的dev set评估模型，会导致模型在dev set上‘过拟合’。我们得根据情况更改dev set。不要使用测试集做任何决定（比如测试集效果不好，决定回滚模型）。否则测试集和dev set一样，可能导致‘过拟合’；c，根据需要更改评价标准。
8.训练集和测试集比例不一定是7：3，如果数据量多的化，测试集比列可以少于3成。
9. dev set数量要足够，一定要能够检测出模型的有意义的变化；测试数据也要足够的大，能够给我们的系统一个准确的评估。
10.如果是开发应用，不要一开始试图设计最完美的系统，相反的是，要快速的设计和训练一个基本的系统，因为检验系统的基本功能是有价值的，这样会找到值得投入时间的方向。这个和像发表学术论文是不同的。
11.如果有一个想法，需要个把月时间，可能会提高结果，那么我们是否需要投入时间？我们可以这么做：a，收集一些系统分错的样本；b，计算想要减少错分类别的错分比例。这个观察错分样本的过程叫做error analysis。如果这个类别错分的比例本身就很小，那么即使再提高，也不性价比也不高。但是如果这个类别错分比例较高的话，我们有理由相信提高这个类别的准确率能够对系统有较大的提升。所以说，一定要分析一下，目标是不是值得花费大的精力。