吴恩达《机器学习训练秘籍》：7 条关于项目实践的实用建议

翻译 | shawn

出品 | 人工智能头条（公众号ID：AI_Thinker）

《机器学习训练秘籍》（Machine Learning Yearning）是吴恩达的新作，主要讲的是如何应用机器学习算法以及如何构建机器学习项目。本文从这本书中选出了 7 条非常有用的建议。

近年来，人工智能、机器学习和深度学习迅猛发展，给许多行业带来了变革。吴恩达是业内的领军人物之一，他是在线课程项目 Coursera 的联合创始人，前百度 AI Group 领导人，前 Google Brain 项目负责人。目前他正在编写《机器学习训练秘籍》（http://www.mlyearning.org/）这本书，教读者如何组织机器学习项目。

吴恩达在书中写道：

这本书主要是教你如何应用机器学习算法，而不是教你机器学习算法本身。一些AI技术课程会教你算法，而这本书旨在教你如何使用算法这个利器。如果你想成为 AI领域的技术领袖，并希望学习如何为你的团队设定方向，这本书会给你帮助。

我们在阅读这本书的原稿后从中选出了 7 条有趣且实用的建议，文末附有《机器学习训练秘籍》最新章节的下载地址。

▌1. 选择正确的评估指标

在评估某个算法时，不应该只使用一个公式或指标，而应使用多个评估指标。其中一种方法就是使用“optimizing”和“satisfying”作为指标。

以上图为例，首先定义一个“acceptable”（可接受）的运行时间（例如小于 100 毫秒），作为“satisfying”指标。只要运行时间低于这个指标，你的分类器就「很好」。“准确度”在这里作为“optimizing”指标。这是一种非常有效且容易的算法评估方法。

▌2. 快速选择开发/测试集——如果有必要不要害怕更换

当开始一个新项目时，吴恩达在书中解释道他会很快选择开发集/测试集，因为这样可以给团队制定一个明确的目标。开始时他会先制定第一周的目标，提出一个不太完美的方案并迅速行动起来，比花过多时间思考更好。

如果你突然发现初始的开发/测试集不正确时，不要害怕更改它们。以下是书中给出的开发/训练集不正确的三个可能原因：

• 要使用的实际数据分布和开发/测试集不同
• 开发/测试集过度拟合
• 评估指标衡量的并不是项目所需要优化的东西

请谨记，更改开发/测试集不是什么大问题。放心更改，让你的团队知道你们的新方向。

▌3. 机器学习是一个迭代过程：不要指望第一次就成功

吴恩达写道他开发机器学习软件的过程分三步：

• 从一个想法开始
• 用代码实现这个想法
• 通过实验判断这个想法是否成功

这是一个不断迭代的过程。循环得越快，进展也就越快。这就是为什么提前确定开发/测试集很重要，因为这样做可以在这个迭代过程中省下宝贵的时间。每尝试一个新想法时，在开发/测试集上衡量这个想法的表现，这样你就可以快速判断你是否在朝着正确的方向前进。

▌4. 快速构建第一个系统，然后迭代

在第三条建议中，我们提到构建机器学习算法是一个迭代过程。吴恩达专门用一个章节解释了快速构建第一个系统然后迭代的好处：「不要试图一开始就设计和构建完美的系统。相反，应该快速构建和训练出一个基本系统——也许在短短的几天内。即使这个基本系统与您你构建的“最佳”系统相差甚远，研究基本系统的表现仍非常有参考价值：你很快就会找到线索，以此确定哪个方向最有希望获得成功。」

▌5. 并行评估多个想法

当你的团队针对如何改进某一算法提出了很多想法，你可以高效地并行评估这些想法。举例来说，构建一个能识别猫照片的算法，吴恩达称他通常会创建一个电子表格，浏览大约 100 张分类错误的开发/测试集图像并在表格上记录。

在表格上记录：对每张图像的分析，造成算法分类错误的原因，以及可能对未来反思有帮助的评论。填完后，你会得出哪种想法可以避免更多错误，然后再去实现它。

▌6. 思考清理贴错标签的开发/测试集是否值得

在错误分析期间，你可能会注意到开发/测试集中的一些样本被错误标注（mislabeled）。也就是说，在用算法处理前之前，图片已经被人类标注员贴上了错误的标签。如果你怀疑有一小部分的图片被错误标注是由于这个原因，那么可以在电子表格中添加再一个类别进行记录：

在完成后，你可以思考修正这些错误是否值得。吴恩达给出了两种可能的场景，让读者判断修正错误是否值得：

示例1：

• 开发集的整体准确率……90%（整体错误率为 10%）
• 贴错标签样本导致的错误……0.6%（占开发集错误的 6%）
• 其他原因导致的错误……9.4%（占开发集错误的 94%）

在这个例子中，相较于你可能改进的 9.4% 的错误，由于错误标注导致的 0.6% 的不准确率就可能没那么重要。手动修正开发集中错误标注的图像并没有什么坏处，但这样做并不是关键：不知道系统的整体错误是 10% 还是 9.4% 可能没什么大不了。

示例 2:

• 开发集整体准确率……98.0%（整体错误率为 2.0%）
• 贴错标签样本导致的错误……0.6%（占开发集错误的 30%）
• 其他原因导致的错误……1.4%（占开发集错误的 70%）

30% 的错误是由于错误标注的开发集图像造成的，这会让准确率的估计值有很大的误差。这种情况下，改进开发集的标注质量很值得。处理错误标注的样本将帮助你算出分类器的错误是接近 1.4% 还是 2%——这是一个相对明显的差异。

▌7. 考虑将开发集分为多个子集

如果你的开发集很大，其中 20% 的样本被算法错误分类，那么你可以将这个开发集分为两个独立的子集：

比方说，你有一个包含 5000 个样本的大开发集，其中 1000 个样本被错误分类。假设我们要手动检查约 100 个错误样本（错误样本的10%），进行错误分析。那么你应该随机选出 10% 的开发集，然后将其放入我们称之为 Eyeball 的开发集（Eyeball dev set）中，以提醒自己你需要观察这些数据。Eyeball 开发集有 500 个样本，我们预计算法错误分类的样本约有 100 个。

开发集的第二个子集叫做 Blackbox 开发集(Blackbox dev set)，它包含剩余的 4500 个样本。你可以用 Blackbox 开发集测定图像分类的错误率，以此自动评估分类器。你也可以使用它来选择算法或调整超参数。我们将这个子集称为 “Blackbox”，是因为我们只使用数据集的子集来取得对分类器的“Blackbox”（黑盒）评估。

• 1-14章： https://mlyearning.us6.list-manage.com/track/click?u=dc3a7ef4d750c0abfc19202a3&id=3990ddc2c3&e=6f3d89bf36
• 15-19章： https://mlyearning.us6.list-manage.com/track/click?u=dc3a7ef4d750c0abfc19202a3&id=2d99888478&e=6f3d89bf36
• 20-22章： https://mlyearning.us6.list-manage.com/track/click?u=dc3a7ef4d750c0abfc19202a3&id=eaf5069086&e=6f3d89bf36
• 23-27章： https://mlyearning.us6.list-manage.com/track/click?u=dc3a7ef4d750c0abfc19202a3&id=274933beef&e=6f3d89bf36

原文链接： https://www.kdnuggets.com/2018/05/7-useful-suggestions-machine-learning-yearning.html