应用ML是一个高度迭代的过程
Idea->Code->Experment->...
去不断地调整超参数。
Train/Dev/Test sets
通常将数据集划分为Train/Dev/Test集。
Training set: 用于模型的训练
Hold-out cross validation set/Developmet set: 用于测试，调整模型超参数
Test set: 用于最终评估
以前的ML问题：数据规模在w级，通常70/30划分Train/Test集或者60/20/20比例划分。
现在的大数据时代：数据规模在百w级，趋势是Dev/Test集的比例减小，因为Dev集只需要大到足够判断不同的模型的优劣就可以了，Test集类似。如有100w的数据集，98/1/1的比例是一种较合理的划分。
经验：
- 确保Dev/Test集来自同一个分布，这样有助于算法进步的效率。
- 训练集则可以采取网页爬取等方式以获得更大量的数据。
- 没有测试集也是可以的，只用Dev集来调整。
Bias/Variance
可以通过Train set error和Dev set error来判断模型是否存在high bias/variance的问题。
比如，假设假设bayes error约为0%，即人类可以几乎完全准确识别，并且Train和Dev集来自同一个分布。
| Train set error | Dev set error | 结果 |
|---|---|---|
| 1% | 11% | high variance |
| 15% | 16 | high bias |
| 15% | 30% | high variance & high bias |
| 0.5% | 1% | low variance & low bias |
Some Basic recipe(基本准则)
STEP1 High bias? --> 更大的网络；训练更长时间；（其他NN架构）
STEP2 High variance? --> 更多的数据；正则化；（其他NN架构）
在深度学习时代，不需要再过多考虑bias 和 variance的权衡，如果合理的正则化，采用更大的网络在降低bias的同时几乎不会增加variance，如果有足够大的网络，获得更多的数据在降低variance时几乎不会增加Bias，这也是深度学习在监督学习领域十分有效地原因之一。
