这个章节我们看J train 和J CV可能是神恶魔如何判断是高方差还是高偏差以语音识别为例在训练集上的误差是10.8%在测试机上的误差是14.8%我们但看10.8%可能会觉得很高但是我们少考虑了一个问题就是一个人去做这件事情的话误差是多少是10.6%,因为存在一些音频有砸噪声存在一个人都听不清所以人和训练集的误差可以说是相当的小了在可以接受的范围之内所以当判断训练误差是否高时建立一个基准性的标准是非常有用的即合理的希望学习算法能达到的误差水平是神什么通常的方法就是测量人类在完成这个任务的表现另一个是如果有某一种竞争算法可能是之前某一个人实现的或者是竞争对手的算法如果你能测量他就能建立一个基准性水平或者你有时间根据先前的经验进行猜测。然后判断算法时候存在高方差或者高偏差查看基准性能水平训练误差和交叉验证误差然后要测量两个关键量是训练误差和你希望达到的基准性能水平之间的差异是什么判断是不是高偏差然后查看训练误差和交叉验证之间的差距如果差异很大那个得出结论是否是高方差
这个章节我们看J train 和J CV可能是神恶魔如何判断是高方差还是高偏差以语音识别为例在训练集上的误差是10.8%在测试机上的误差是14.8%我们但看10.8%可能会觉得很高但是我们少考虑了一个问题就是一个人去做这件事情的话误差是多少是10.6%,因为存在一些音频有砸噪声存在一个人都听不清所以人和训练集的误差可以说是相当的小了在可以接受的范围之内所以当判断训练误差是否高时建立一个基准性的标准是非常有用的即合理的希望学习算法能达到的误差水平是神什么通常的方法就是测量人类在完成这个任务的表现另一个是如果有某一种竞争算法可能是之前某一个人实现的或者是竞争对手的算法如果你能测量他就能建立一个基准性水平或者你有时间根据先前的经验进行猜测。然后判断算法时候存在高方差或者高偏差查看基准性能水平训练误差和交叉验证误差然后要测量两个关键量是训练误差和你希望达到的基准性能水平之间的差异是什么判断是不是高偏差然后查看训练误差和交叉验证之间的差距如果差异很大那个得出结论是否是高方差
