机器学习的目的

        最后的最后，我们会用模型对新的数据进行预测，希望得到好的结果。因此我们要得到泛化能力好的模型，尽量不要过拟合，这是训练误差和泛化误差的平衡。训练误差太大，说明模型学习能力不够，特征准备的不充分，欠拟合。训练误差小，泛化误差大，说明模型学习能力太强，学到了很多不容易学到的规律，就是过拟合。

 要追求平衡，首先要学会如何评估。

首先，测试集是来近似模型的泛化能力。验证集是用来决定训练的时候何时停止的，也就是来进行模型选择和调参。要去近似，首先要在样本上保证测试集的分布和样本真实的分布近似。训练集和测试集最好互斥。如何既保证分布独立且相似，又保证拥有最接近现实的数据，也就是尽可能多的数据，靠采样。

        D是我们有的所有m个样本。

下面是采样的方法

        1. 把D按比例分为互斥的两份，需保证两者分布的一致性。因为不同的划分方式，会导致结果不同。所以单次划分的结果不够稳定。一般需要若干次随机划分，重复进行实验。比例大概在2/3~4/5。

          2. k折交叉验证：把D分为大小相似的k份，保证数据一致性。每次用k-1份做训练，1份做测试。经过k次实验，返回k次实验的均值。则模型取决于k的取值，一般为10。也可进行p次k折交叉验证。

        3. 自助法：想要训练样本尽可能多，又不想计算复杂度太高。在数据集较小，难以划分时很有效。但是会改变分布，引入误差。

        D' ：训练集。有放回的随机从D中挑选样本，重复m次。m取极限，D中约有36.8%的数据不会出现。

        D\D' ：测试集。

用哪些指标评价拟合程度：

训练集，测试集就4个数。评价指标都是这四个数的各种组合。T：true F：false P：positive N:negitive

四个数：TP，TN，FP，FN。     其中TP +TN + FP + FN = m。即样本个数。

错误率 （error rate）： 分类错误比例。 （FP + FN）/m 

精度（accuracy）：  （TP+TN）/m

查准率（precision）： TP/（TP+FP）  被认定为正例的里面，判断正确的比例。

查全率（recall）：   TP/（TP+FN）    真实正例里，被判断出为正例的比例。

查准率和查全率相互矛盾。如：如果想要准一些，可以取的阈值取的严格一些，取的人少一些，只挑很有把握的，自然会漏掉一些。

由两者可以得到P-R曲线，如果a完全包裹b，则a模型优于b。如果有交叉，则比较P-R曲线下面积。

F1度量 是P和R的调和平均数。其一般形式为加权调和平均，可以按照自己对业务的理解去定义，去作为优化的目标。

ROC曲线： 表达了模型的泛化能力。根据模型的排序结果，一个个划分正负，每次得出两个值。横纵是：真正例率TP/(TP+FN)， 假正例率FP/(TN+FP)。为啥在ROC曲线画一个y=x呢，那表示随机猜测的ROC。   真正例率  1/（1+FN/TP）      假正例率    1/（1+TN/FP）

自定义代价敏感函数：不同的业务场景，对判断错误的容忍度不同。因此可以权衡不同类型错误造成的损失，计算一个由几个损失合成的损失函数。错误就是cost01 cost10 。