建立模型
当使用机器学习的方法来解决问题时，比如垃圾邮件分类等，一般的步骤是这样的：
1）从一个简单的算法入手这样可以很快的实现这个算法，并且可以在交叉验证集上进行测试；
2）画学习曲线以决定是否更多的数据，更多的特征或者其他方式会有所帮助；
3）人工检查那些算法预测错误的例子（在交叉验证集上），看看能否找到一些产生错误的原因。
评估模型
首先，引入一个概念，非对称性分类。考虑癌症预测问题，y=1 代表癌症，y=0 代表没有癌症，对于一个数据集，我们建立logistic 回归模型，经过以上建模的步骤，得到一个优化的模型，错误率仅为1%，这貌似是一个很好的结果，但考虑数据集若仅有0.05%的正例（y=1），那么我们直接预测所有y=0，我们得到的模型的错误率仅为0.5%，这便是非对称分类的问题，这样的问题仅考虑错误率是有风险的。
下面引入一种标准的衡量方法：Precision/Recall(精确度和召回率)，这种度量最早出现在信息检索问题中的，如下：
在机器学习的模型中，也可以用这种评估方法，具体如下:
其中：
True Positive （真正例, TP）被模型预测为正的正样本；可以称作判断为真的正确率
True Negative（真负例 , TN）被模型预测为负的负样本 ；可以称作判断为假的正确率
False Positive （假正例, FP）被模型预测为正的负样本；可以称作误报率
False Negative（假负例 , FN）被模型预测为负的正样本；可以称作漏报率
现在需要考虑权衡Precision/Recall：
以logistic 回归为例：
假设我们非常有把握时才预测病人得癌症（y=1)， 这个时候，我们常常将阈值设置的很高，FP变小，FN增大，这会导致高精确度，低召回率(Higher precision, lower recall);
假设我们不希望将太多的癌症例子错分（避免假负例，本身得了癌症，确被分类为没有得癌症）, 这个时候，阈值就可以设置的低一些，FP变大，FN变小，这又会导致高召回率，低精确度(Higher recall, lower precision);
以上的描述可以用如下的PR曲线来描述，一般准确率提高，召回率会下降：
关于如何权衡准确率与召回率：
如果是做搜索，那就是保证召回的情况下提升准确率；如果做疾病监测、反垃圾，则是保准确率的条件下，提升召回。在两者都要求高的情况下，可以用F1来衡量。
