本章主要圍繞機器學習的推薦實踐過程以及評測指標，一方面告訴我們如何優化我們的模型；另一方面告訴我們對於分類的演算法，使用精確率和召回率或者F1值來衡量效果更佳。最後還強調了下，在大部分的機器學習中，訓練樣本對模型的準確率都有一定的影響。
更多內容參考 機器學習&深度學習
機器學習最佳實踐
針對垃圾郵件分類這個專案，一般的做法是，首先由一堆的郵件和是否是垃圾郵件的標註，如[(郵件內容1,是),(郵件內容2,否),(郵件內容3,是)...]。然後我們針對郵件的內容去做分詞，蒐集全部詞語組織成詞表；由於郵件內容的詞通常都是常用詞，因此可以取top500的片語織成詞表，然後替換內容郵件。
接下來如果想要優化機器學學習模型，可以有下面幾種：
1 蒐集更多的資料
2 從郵件的地址中尋找新的feature
3 從郵件內容中尋找新的feature
4 基於更復雜的演算法檢測錯拼詞
推薦的步驟是：
1 先通過一些簡單的演算法快速實現，然後通過交叉驗證選擇一個比較好的模型
2 通過學習曲線，確定是屬於高偏差的情況、還是高方差的情況，再來決定是否增加樣本、或者增加特徵
3 錯誤分類的分析，通過分析那些被分錯的樣本，觀察是否有什麼共同的特徵。比如分析一個英文單詞，提取詞幹和不提取，錯誤率有沒有什麼變化，從而調整演算法
P、R、F1模型評測
在說一個其他的例子，癌症檢測。如果我們的錯誤率是1%，而1%中只有0.5%是真正得了癌症的，那麼這個分類的演算法其實也稱不上好。所以錯誤率低，並不一定代表模型就好。
因此可以使用下面的指標衡量方法，精確率和召回率。精確率是指我們預測的多少是對的；召回率是指我們預測對的全不全（預測對的佔本身就是對的多少）。通過這兩個指標可以比較好的評判一個分類演算法的好壞。
如果不知道怎麼平衡精確率和召回率，可以直接使用F1 Score，這個指標同時衡量了兩個值：
一般說來，盲目的擴充樣本資料並沒有什麼作用。但是在一些特例中，只有足夠的樣本才能使得訓練更準確。比如基於上下文卻分容易混淆的詞語。