Building a Spam Classifier

01. 优先考虑做什么

---

• 使用邮件里面的单词，构成单词向量训练学习函数。
  具体做法为：

1. 收集大量数据
2. 生成复杂的函数
3. 训练算法来以不同的方式处理输入（比如处理单词拼写错误等）

02. 错误分析

---

• 通常解决机器学习算法的一般步骤：

1. 以一个简单、不太完美的算法快速实现
2. 画出学习函数曲线来判断是数据更多、特征更多还是其他问题
3. 用交叉验证的方式人为的检测出训练误差是由什么原因造成的

处理偏斜类数据(skewed data)

01. 偏斜类的误差度量

---

• 当我们用于测试的样本数据有些极端，比如癌症数据占多数，使得实际不太准确的机器学习算法也有很高的准确率，这类数据叫做偏斜类数据。解决方法有测算：

1. 精确率（Precision）-预测为正中的正确率
2. 召回率（Recall）-预测结果中的正确率

Accuracy = (true positives + true negatives) / (total examples)
Precision = (true positives) / (true positives + false positives)
Recall = (true positives) / (true positives + false negatives)

02. 权衡准确率和召回率

---

• 当逻辑回归的临界值改变，准确率和召回率可能会相应改变。权衡最优有个公式：