一、错误分析

假设交叉验证集一共有500个数据点，模型拟合结果中，有100个数据点有误。

错误分析就是，手动地分析这100个错误数据（或随机选择一些错误数据），根据它们的共同属性、共同特征分类，然后根据特征进一步优化模型。

二、创造数据

首先，获取大量数据的成本很高，错误分析可以告诉我们，着重获取某一方面/特征的数据，而不是获取所有数据，可以减少成本。

当需要获取更多数据时，常用的添加数据的方法有数据增强和数据合成：

2.1 数据增强

数据增强：对原数据进行扭曲或改变，创造更多格外数据，常用于图像和语言类型的任务

例如，图像识别：通过把已有的图像进行旋转、放大、缩小、调整对比度、镜像、网格扭曲图像，创造更多的额外数据

语音识别：增加噪音背景，降低音质（像是在坏的录音机录制一样的声音）

2.2 数据合成

数据合成：创造合成，主要应用于计算机视觉任务。

例如：识别图像中文字的任务：可以在文本编辑器随机敲入一些文本，把不同字体、对比度、颜色的字体进行截图，创造合成数据。

          

三、迁移学习

对于没有大量数据的学习任务，可以使用迁移学习，使用来自不同任务的数据来帮助训练模型。

第一步：监督预训练

在拥有大型数据集的任务中，预先训练神经网络。例如此任务从大量图片中训练识别1000种分类：猫、狗、车、人等等，训练出隐藏层的参数。

第二步：微调

在数据量小的任务中，使用预先训练好的神经网络，隐藏层参数使用预先训练出的参数，然后使用本任务的数据进行参数微调。例如本任务需要从少量图片中训练识别数字0-9，可以使用上一步训练好的参数w1-w4，b1-b4，然后使用本任务的输入图片微调参数。

如果数据量很小，就只需要微调输出层参数；如果数据量大，可以微调所有参数。

微调的前提是使用和预训练相同类型的输入。

常用的操作：

1. 下载具有相同类型的、在大型数据集上预先训练过的神经网络
2. 使用自己的数据进行微调

四、机器学习项目的完整周期

机器学习项目的完整周期：

部署到生产环境以后，需要继续监控系统和维护系统，如果有需要，需要获取更多数据，重新训练模型。

学习来源：吴恩达机器学习，13.1-13.6节