本章主要围绕机器学习的推荐实践过程以及评测指标，一方面告诉我们如何优化我们的模型；另一方面告诉我们对于分类的算法，使用精确率和召回率或者F1值来衡量效果更佳。最后还强调了下，在大部分的机器学习中，训练样本对模型的准确率都有一定的影响。
更多内容参考 机器学习&深度学习
机器学习最佳实践针对垃圾邮件分类这个项目，一般的做法是，首先由一堆的邮件和是否是垃圾邮件的标注，如[(邮件内容1,是),(邮件内容2,否),(邮件内容3,是)...]。然后我们针对邮件的内容去做分词，搜集全部词语组织成词表；由于邮件内容的词通常都是常用词，因此可以取top500的词组织成词表，然后替换内容邮件。
接下来如果想要优化机器学学习模型，可以有下面几种：
1 搜集更多的数据
2 从邮件的地址中寻找新的feature
3 从邮件内容中寻找新的feature
4 基于更复杂的算法检测错拼词
推荐的步骤是：
1 先通过一些简单的算法快速实现，然后通过交叉验证选择一个比较好的模型
2 通过学习曲线，确定是属于高偏差的情况、还是高方差的情况，再来决定是否增加样本、或者增加特征
3 错误分类的分析，通过分析那些被分错的样本，观察是否有什么共同的特征。比如分析一个英文单词，提取词干和不提取，错误率有没有什么变化，从而调整算法
在说一个其他的例子，癌症检测。如果我们的错误率是1%，而1%中只有0.5%是真正得了癌症的，那么这个分类的算法其实也称不上好。所以错误率低，并不一定代表模型就好。
因此可以使用下面的指标衡量方法，精确率和召回率。精确率是指我们预测的多少是对的；召回率是指我们预测对的全不全（预测对的占本身就是对的多少）。通过这两个指标可以比较好的评判一个分类算法的好坏。
如果不知道怎么平衡精确率和召回率，可以直接使用F1 Score，这个指标同时衡量了两个值：
一般说来，盲目的扩充样本数据并没有什么作用。但是在一些特例中，只有足够的样本才能使得训练更准确。比如基于上下文却分容易混淆的词语。