Model
机器学习开发与训练笔记
今天，我们将讨论机器学习中的开发和训练部分，主要关注如何评价模型的性能以及如何选择合适的模型。
模型评价与选择
-
模型选择：在选择模型时，避免直接采用最新的模型。最新的模型并不总是最佳选择，因为它们可能只是基于特定数据集的初步研究成果，尚未经过广泛验证，可能不适用于真实世界的场景。
-
从简到难：建议从简单的模型开始，简单模型开发周期短，易于调试，有助于快速验证想法。复杂模型虽然可能性能更好，但开发成本高，调试困难。
-
避免偏见：在模型选择过程中应避免个人偏见，应通过实验来测试不同的特征和参数，找到最适合当前问题的模型配置。
-
数据和时间的重要性：当前模型的性能好不代表未来也会如此，模型性能与数据相关联，需要定期评估和更新模型。
重要概念和建议
-
权衡（Trade-offs）：理解模型中的权衡，如假阳性（False Positive）和假阴性（False Negative），这对模型评估非常关键。
-
模型假设：了解和理解模型假设的重要性。例如，大多数模型假设输入X和输出Y之间存在可预测的关系；独立同分布假设认为样本之间相互独立；还有一些模型假设输入输出间有特定的函数关系，以及数据遵循特定的分布（如正态分布）。
-
监督学习假设：监督学习方法假设存在一个函数集合，能将输入转换为输出，并且相似的输入会产生相似的输出。此外，一些模型（如线性回归分类器）假设决策边界是线性的，许多模型假设数据是正态分布的。
Children