本文原始版本号见http://blog.csdn.net/abcjennifer/article/details/7834256

本栏目（Machine learning）包含单參数的线性回归、多參数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检測、大规模机器学习等章节。全部内容均来自Standford公开课machine learning中Andrew老师的解说。

（https://class.coursera.org/ml/class/index）

第七讲. 机器学习系统设计——Machine learning System Design

===============================

（一）、决定基本策略

（二）、Error分析

☆（三）、对Skewed Classes建立Error Metrics

☆（四）、在Precision 和 Recall (精度和召回率)间权衡

（五）、机器学习数据选定

===============================

（一）、决定基本策略

在本章中。我们用一个实际样例<如何进行垃圾邮件Spam的分类>来描写叙述机器学习系统设计方法。

首先我们来看两封邮件。左边是一封垃圾邮件Spam。右边是一封非垃圾邮件Non-Spam：

观察其样式可以发现，垃圾邮件有非常多features，那么我们想要建立一个Spam分类器，就要进行有监督学习，将Spam的features提取出来。而希望这些features可以非常好的区分Spam vs. Non-Spam.

就例如以下图所看到的，我们提取出来deal, buy, discount, now等feature。建立起这种一个feature向量：

这里请大家注意：其实。对于spam分类器，我们并不是人工选择100个看似是spam feature的feature作为特征。而是选取spam中词频最高的100个词取而代之。

以下就是本节重点——怎样决定基本策略，一些可能有利于classifier工作的方法：

• 收集大量数据——如“honeypot" project
• 从Email Route着手建立较为复杂的feature——如发件人为cheapbuying@bug.com
• 对message正文建立复杂精确的feature库——如是否应把discount和discounts视作同一个词等
• 建立算法检查拼写错误，作为feature——如"med1cine"

当然。上述策略并不是所有奏效。如以下的练习题所看到的：

===============================

（二）、Error分析

我们经常在一个ML算法设计的起步阶段有些困惑。要用如何的系统？建立如何的模型，feature如何提取等……

这里呢，我们给大家推荐一个方法，用来建立一个ML系统：

• 用at most 一天，24小时的时间实现一个简单的算法。logistic regression也好，linear regression也好。用simple features而非细致探究哪个特征更有效。然后呢。在cross-validation数据集上进行測试。
• 利用画learning curves的方法去探究，数据集很多其它 或者 增加很多其它features 是否有利于系统工作。
• Error Analysis：上面已经在cross-validation数据集上測试了系统性能。如今呢，我们人工去看是哪些数据造成了大error的产生？能否够通过改变systematic trend降低error？

还是用Spam-Classifier举例。我们看一下进行Error Analysis的步骤：

• 在建立了simple system 并在CV set上做測试后，我们进行error analysis步骤，将全部spam分为pharma。replica/fake，Steal password 和 其它。这四类。
• 找到一些可能有助于改善分类效果的features。

这里呢，我们不要感性地去想，而是最好用数字体现效果。比方对于discount/discounts/discounted/discounting是否被视为都含有discount这个feature的问题，我们不要主观地去想。而是看假设看都含有这个feature，那么结果是有3%的error。假设不都看做有discount这个feature。则有5%的error，由此可见哪种方法比較好。

PS：介绍一个软件Porter stemmer，能够google到。是将discount/discounts/discounted/discounting视为同类的软件。

对于是否将大写和小写视作同一个feature是相同的道理。

===============================

（三）、对Skewed Classes建立Error Metrics

有些情况下。Classification-accuracy 和 Classification-error不能描写叙述出整个系统的优劣，比方针对以下的Skewed Classes。

什么是Skewed Classes呢？一个分类问题，假设结果仅有两类y=0和y=1,并且当中一类样本许多，还有一类很少。我们称这样的分类问题中的类为Skewed Classes. 

比方以下这个问题：

我们用一个logistic regression作为预測samples是否为cancer患者的模型。该模型在cross-validation set上測试的结果显示。有1%的error，99%的正确诊断率。而其实呢，仅仅有0.5%的样本为真正的cancer患者。

这样一来。我们建立还有一个算法去predict：

function y=predictCancer(x)

          y=0; %即忽略x中feature的影响

return;

好了，这么一来，该算法将全部sample预測为非癌症患者。那么仅仅存在0.5%的误差，单纯从classification-error来看，比我们之前做的logistic regression要强，可其实我们清楚这样的cheat方法仅仅是trick，不能用作实际使用。因此，我们引入了Error Metrics这个概念。

考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。

对一个二分问题来说，会出现四种情况。

假设一个实例是正类而且也被 预測成正类，即为真正类（True positive）,假设实例是负类被预測成正类，称之为假正类（False positive）。对应地。假设实例是负类被预測成负类，称之为真负类（True negative）,正类被预測成负类则为假负类（false negative）。

这样就能够建立一个Error Metrics（下图左），并定义precision和recall。例如以下图所看到的：

也可參考我原来关于ROC曲线的文章。

precision：正确预測正样本/我全部预測为正样本的；

recall：正确预測正样本/真实值为正样本的。

当且仅当Precision和Recall都高的时候我们能够确信，该predict算法work well !

ok, 我们再来看看当初将全部sample预測为Non-Cancer的算法，这里。TP=0，FP=0, FN=1, TN=199（如果sample共200个）

因为TP=0, 所以precision=recall=0！证明了该算法的un-avaliable！

所以，不管一个类是否是Skewed Classes。仅仅要满足precision 和 recall都非常高才干够保证该算法的有用性。

练习题，做下看：

最后须要提醒大家的是，关于哪边作为true,哪边作为false的问题。对于上面那个问题。我们给定cancer的为true，实际应用中，我们应当在binary classification中指定类中sample较少的那一类作为true,还有一类作为false。

这一点千万不能搞错。

===============================

（四）、在Precision 和 Recall (精度和召回率)间权衡

对于一个prediction问题，如果我们採用例如以下方法进行预測：

这里存在一个threshold=0.5。

依据

不同的threshold有例如以下两类情况：

• 假设我们希望在非常确信的情况下才告诉病人有cancer，也就是说不要给病人太多惊吓，我告诉你有cancer，你肯定有cancer。我告诉你没cancer，你也有可能有cancer，那么该情况下有：higher threshold，higher precision。lower recall
• 假设我们不希望让病人错过提前治疗，与上例相反。就有：lower threshold，lower precision。higher recall

这里大家假设想不清楚能够把error metrics画出来看一下。

那么我们能够画出来precision-recall图：

不同的数据。其曲线形式不同，但有一条规律是不变的：

thres高相应高precision低recall；

thres低相应低precision高recall；

☆那么在不同算法或不同threshold造成的的{precision，recall}间。我们如何选择那个算法比較好呢？

增加我们如今有三个算法（或threshold）的数据：

可见。Algorithm3中，recall=1，即predict全部y=1，这显然违背了我们的初衷。以下看评判标准。用p表示precision。r表示recall；

假设我们选取评判标准=(p+r)/2，则algorithm3胜出。显然不合理。这里我们介绍一个评价标准：F1-Score.

当p=0 或 r=0时，有f=0;

当p=1&&r=1时，有f=1，最大；

相同我们将f1 score 应用于以上三个算法，可的结果，algorithm1最大，也就是最好；algorithm3最小，也就是最差。因此我们用F1 score来衡量一个算法的性能，也就是我们说的precision和recall间的trade-off。

练习，做下吧~（这道略弱）：

===============================

（五）、机器学习数据选定

可见，随着training set的上升，accuracy通常会得到提高，但其实也不全是这样。

比方房价预測，假设我只给你房子的面积。而没有房子在市中心还是偏远地区？房龄多少？等信息，我们是无法进行良好预測的。

这里就涉及到怎样合理处理训练数据及的问题。

记得上一讲中我们已经介绍过了bias和variance的定义和差别。这里我们来看。他们的产生环境：

bias：J(train)大，J(cv)大，J(train)≈J(cv)，bias产生于d小。underfit阶段。

variance：J(train)小。J(cv)大。J(train)<<J(cv)。variance产生于d大。overfit阶段；

• 想要保证bias小，就要保证有足够多的feature，即linear/logistics regression中有非常多parameters。neuron networks中应该有非常多hidden layer neurons.
• 想要保证variance小。就要保证不产生overfit。那么就须要非常多data set。这里须要J(train)和J(CV)都非常小，才干使J(test)相对小。

例如以下图所看到的：

综上所述。对数据及进行rational分析的结果是两条：

首先。x中有足够多的feature，以得到low bias;

其次，有足够大的training set，以得到low variance。

练习题：

==============================================

本章重要，讲述了机器学习中怎样设计机器学习系统，涉及机器学习方法、策略、算法的问题，希望大家牢牢掌握，以降低不必要的时间浪费。