machine learning - 2
泛化误差 也可以认为是预测时的误差。
训练误差 并不是越小越好，太小会过拟合。
获得测试集合的方法：
1）：
2）：例如：k-折交叉验证法， 就的每k个数据取一个座位测试集
3）：就像在一个抽奖盒里面摸，训练集摸n次，测试集摸m次，但是每摸一次会把小球放回盒子里
查准率：猜“Yes”猜对的概率
差全率：猜对答案是“Yes”的概率
我们注意到（分为ABCD4个区）：当A减小的时候,B会增大，是属于A+B = constant value
又有，当C减小的时候，实际上是胆怯了，不敢大胆猜“Yes"了，于是A↓，B↑，所以R↓，而A是有C带动的，减小幅度<C，于是P还是↑。所以当P增大时，P会减小。
P-R图中，面积越大，效果越好
所以：A>C and B >C.
A 和 B 的比较要看平衡点（P == R） ，平衡点越高越好 ： 所以由BEP : A > B > C
不过两个端点 P = 1.0 R = 0. 我不敢苟同。