得到最终模型后 ， 我们可以使用更大的独立测试数据集来进一步评估模型的性能 。评估模型性能 ， 我们就需要使用具体的性能指标 。根据数据集中不同类别样本的比例 ， 我们将数据集分为均衡数据集和非均衡数据集 。均衡数据集我们可以使用准确率、损失值、马修斯系数、F1-score、ROC 曲线以及 AUC 值等指标 ， 这类数据集的评估相对容易 。
对于非均衡数据集 ， 我们需要谨慎的使用准确率来衡量模型性能 ， 结合具体问题 ， 我们一般更多的使用F1-score和ROC-AUC等指标 。5: 关于公共数据集 。现在网上有很多公开的且标注完备的数据集 ， 包括图像的、序列的、文本的等等 ， 为机器学习提供了良好的学习环境 。练手阶段需要充分利用这些资源！此外 ， 机器学习不是万能的 ， 很多情况下性能取决于数据和问题定义 ， 不是每一个问题都能用机器学习解决 。
为什么AlphaGo不敢挑战麻将？
为什么Alpha Go不敢挑战麻将？?人类初衷研究人工智能是为了服务人类而不是惹怒人类的 。阿尔法狗是围棋人工智能的程序 ， 其难度太大 ， 几乎无人能比 ， 被称为异军突起的行业领袖 。2016年阿尔法狗由谷歌开发的 ， 当时阿尔法狗的人工智能震惊世人 ， 它雷霆之势击败世界排名第四的围棋手李世石 ， 后来又在2017年碾压了世界排名第一的围棋棋手柯洁 。
阿尔法狗的胜利让世人第一次见识到了人工智能的凶猛 。同时又掀起了全世界对于人工智能的抵制及担心 ， 害怕电影里机器人屠杀人类的景象会在未来实现 。?既然阿尔法狗把围棋高手打的一败涂地 ， 令柯洁绝望 ， 但为什么始终不敢挑战麻将? 这是因为阿尔法狗太牛逼哄哄了 ， 它绝不是碰巧而是胆怯地故意回避 。从规则上看,麻将与围棋不同,麻将是一个四人游戏 ， 并不是阿尔法狗的人工智能弱与4人游戏 ， 而是围棋属于小众高大上游戏 。
麻将大众游戏 ， 它只搞围棋是有道理的 ， 毕竟这些棋尚未得到广泛的社会共识,但是麻将不同,麻将是“国粹”,并且走出了中国,走向了世界 。麻将到现在还有大部分群众认为 ， 麻将是赌博工具,是社会底层无学历人员爱好的低层次娱乐活动 。一旦超过人类麻将游戏 ， 可以说是天下无敌 ， 贪婪的人类会利用高科技犯罪 ， 给人类赖以生存的环境带来麻烦 。
深度学习和普通的机器学习有什么区别？
放张图可以看出关系 。机器学习是人工智能的重要区域之一 ， 深度学习是机器学习的分流之一 。深度学习在前几年迅速蹿红的原因是突破了一些传统机器学习解决不了的问题 。机器学习的意义在于代替人力完成重复的工作 ， 识别出统一的规律（模式） 。但对于传统的机器学习来说 ， 特征的提取难度并不小（特征可以是像素、位置、方向等等） 。
【Recurrent,递归神经网络】特征的准确度会很大程度决定大多数机器学习算法的性能 ， 为了使特征准确 ， 将涉及到大量的人力投入特征工程的部分 ， 来对特征进行调整改善 。而这一系列工作的完成 ， 是在数据集所含有的信息量足够并且易于识别这一前提下的 ， 如果这一前提没有满足 ， 传统机器学习算法会在杂乱的信息中丧失性能 。深度学习的应用便是基于这一问题产生的 ， 它的深层神经网络让它可以在杂乱中学习 ， 自动发现任务所联系的特征（可以把它看成自发地学习特征工程） ， 提取高层次的特征 ， 因而大大减少了任务中在特征工程部份所要耗费的时间 。