爲什麼是人的表現
爲什麼我們要把人的指標（準確度等）作爲機器學習準確度的標準，是因爲：
一方面，在很多領域，人的識別度是可以近似於貝葉斯誤差的，也就是所謂的誤差的最小值。所以我們實際上的bias判斷也並不是基於在train上的錯誤率和0做差，而是和人的標準做差，評判到底是否合理。
另一方面，在機器學習達到人的級別之前的學習是很快的。在這之前我們可以用很多的手段使得機器學習快速達到人的水平，比如餵給它更多人工標記的數據，也可以通過人工觀察出差距的原因。而在其指標超過人之後，就難以做到這一點了。所以人的誤差是一個重要的衡量標準，也是一個分水嶺。
可避免誤差
也就是說我們不用0誤差率來衡量，而是用近似於貝葉斯誤差的人的誤差來衡量模型的結果。
在跨過人的誤差之後，更難判斷模型的問題，機器學習的優化會變得更艱難。
事實上邏輯是這樣的，在實際操作中，如果沒有足夠假設以至於無法知道精確的貝葉斯誤差的表示，我們實際上常常在使用的是這個公式
然後用這個來衡量偏差，嘗試調優模型。
超過人類表現時的可避免偏差
因爲當超過人類表現時，我們無法判斷bias偏差到底在哪裏了。指明方向的工具已經沒了。
我們不盡疑問，爲什麼機器學習算法能做的比人類更好，比如在線上廣告，在產品建議，在貸款償還能力預測等…這時候爲什麼機器學習能做的更好，其實就是因爲它能夠汲取更多的數據投入模型。
相比之下人類對於自然類感知比較擅長，但是對於統計學判斷可能就不如大數據飼養的機器學習了。
希望你有一天也能設計出超越人類的算法。
總結：改善機器學習項目的一般步驟
如圖所示，每一個步驟之前都有說，就不贅述了。
