---

←上一篇↓↑下一篇→

1.7 什么時候該改變開發_測試集和指標	回到目錄	1.9 可避免誤差

---

為什么是人的表現 （Why human-level performance?）

在過去的幾年里，更多的機器學習團隊一直在討論如何比較機器學習系統和人類的表現，為什么呢？

我認為有兩個主要原因，首先是因為深度學習系統的進步，機器學習算法突然變得更好了。在許多機器學習的應用領域已經開始見到算法已經可以威脅到人類的表現了。其次，事實證明，當你試圖讓機器做人類能做的事情時，可以精心設計機器學習系統的工作流程，讓工作流程效率更高，所以在這些場合，比較人類和機器是很自然的，或者你要讓機器模仿人類的行為。

我們來看幾個這樣的例子，我看到很多機器學習任務中，當你在一個問題上付出了很多時間之后，所以 $x$ 軸是時間，這可能是很多個月甚至是很多年。在這些時間里，一些團隊或一些研究小組正在研究一個問題，當你開始往人類水平努力時，進展是很快的。但是過了一段時間，當這個算法表現比人類更好時，那么進展和精確度的提升就變得更慢了。也許它還會越來越好，但是在超越人類水平之后，它還可以變得更好，但性能增速，準確度上升的速度這個斜率，會變得越來越平緩，我們都希望能達到理論最佳性能水平。隨著時間的推移，當您繼續訓練算法時，可能模型越來越大，數據越來越多，但是性能無法超過某個理論上限，這就是所謂的貝葉斯最優錯誤率（Bayes optimal error）。所以貝葉斯最優錯誤率一般認為是理論上可能達到的最優錯誤率，就是說沒有任何辦法設計出一個 $x$ 到 $y$ 的函數，讓它能夠超過一定的準確度。

例如，對于語音識別來說，如果 $x$ 是音頻片段，有些音頻就是這么嘈雜，基本不可能知道說的是什么，所以完美的準確率可能不是100%。或者對于貓圖識別來說，也許一些圖像非常模糊，不管是人類還是機器，都無法判斷該圖片中是否有貓。所以，完美的準確度可能不是100%。

而貝葉斯最優錯誤率有時寫作Bayesian，即省略optimal，就是從 $x$ 到 $y$ 映射的理論最優函數，永遠不會被超越。所以你們應該不會感到意外，這紫色線，無論你在一個問題上工作多少年，你永遠不會超越貝葉斯錯誤率，貝葉斯最佳錯誤率。

事實證明，機器學習的進展往往相當快，直到你超越人類的表現之前一直很快，當你超越人類的表現時，有時進展會變慢。我認為有兩個原因，為什么當你超越人類的表現時，進展會慢下來。一個原因是人類水平在很多任務中離貝葉斯最優錯誤率已經不遠了，人們非常擅長看圖像，分辨里面有沒有貓或者聽寫音頻。所以，當你超越人類的表現之后也許沒有太多的空間繼續改善了。但第二個原因是，只要你的表現比人類的表現更差，那么實際上可以使用某些工具來提高性能。一旦你超越了人類的表現，這些工具就沒那么好用了。

我的意思是這樣，對于人類相當擅長的任務，包括看圖識別事物，聽寫音頻，或閱讀語言，人類一般很擅長處理這些自然數據。對于人類擅長的任務，只要你的機器學習算法比人類差，你就可以從讓人幫你標記數據，你可以讓人幫忙或者花錢請人幫你標記例子，這樣你就有更多的數據可以喂給學習算法。下周我們會討論，人工錯誤率分析，但只要人類的表現比任何其他算法都要好，你就可以讓人類看看你算法處理的例子，知道錯誤出在哪里，并嘗試了解為什么人能做對，算法做錯。下周我們會看到，這樣做有助于提高算法的性能。你也可以更好地分析偏差和方差，我們稍后會談一談。但是只要你的算法仍然比人類糟糕，你就有這些重要策略可以改善算法。而一旦你的算法做得比人類好，這三種策略就很難利用了。所以這可能是另一個和人類表現比較的好處，特別是在人類做得很好的任務上。

為什么機器學習算法往往很擅長模仿人類能做的事情，然后趕上甚至超越人類的表現。特別是，即使你知道偏差是多少，方差是多少。知道人類在特定任務上能做多好可以幫助你更好地了解你應該重點嘗試減少偏差，還是減少方差，我想在下一個視頻中給你一個例子。

課程板書

---

←上一篇↓↑下一篇→

1.7 什么時候該改變開發_測試集和指標	回到目錄	1.9 可避免誤差

---

總結

以上是生活随笔為你收集整理的1.8 为什么是人的表现-深度学习第三课《结构化机器学习项目》-Stanford吴恩达教授的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。