2. 1 误差分析

问题引入：在识猫应用中，如果有时会将小狗识别为猫，是否应该花很多时间解决这个问题？
这取决于在错误标记的例子中，将小狗识别为猫的比例高低。如果较高，则值得花时间解决这一问题；否则，未必值得。这个过程即误差分析。
image.png
可以并行分析多个问题。如，除了将狗错误识别为猫的问题，还存在将大型猫科动物识别为猫、模糊图像识别率低等问题。
image.png

2.2 关注标注错误的数据

深度学习算法对训练集中的随机误差具有较高的“健壮性”，但对于系统性误差比较脆弱。
举例而言，如果训练集中偶尔有一些图片被错误标记为“猫”，可将其看作随机误差，这对训练结果影响很有限；如果训练集中将白色的动物都标注成了“猫”，那就是系统性错误（systematic errors），会对训练结果产生较大影响。
image.png
误差分析示例
image.png
改正开发集、测试集中的数据
image.png

2.3 快速搭建你的第一个系统，并进行迭代

语音识别示例
image.png

2.4 在不同的划分上进行训练并测试

image.png
语音识别示例
image.png

2.5 不匹配数据划分的偏差和方差

识猫应用中的四种情况：

  1. 方差问题
  2. 可避免偏差问题
  3. 数据不匹配问题
  4. 可避免偏差+数据不匹配问题

image.png
image.png
误差分析公式：
image.png