吴恩达深度学习第3课 1.4：满足和优化指标

视频封面

视频元信息

当模型需要同时兼顾多个评价指标（如准确率、运行时间、误唤醒次数）时，不要生硬地用加权公式把它们拼成一个综合指标。更实用的做法是：选一个指标作为"优化指标"全力提升，其余指标作为"满足指标"只需达到某个阈值即可。这样就能在多个分类器中快速、自动地选出"最好"的那个。

在真实项目中，衡量一个模型好坏往往不只看一个数字。视频开篇提出了一个典型场景：既要看分类准确率（accuracy），又要看运行时间（running time）。

易错点：很多人的第一反应是把多个指标硬凑成一个综合指标，但这往往并不合理。

一个常见的错误做法是人为构造一个线性加权公式：

理解：这种"线性加权求和"看似简单，但权重（如 0.5）是人为拍脑袋定的，缺乏依据，而且量纲不一致（准确率是百分比，运行时间是毫秒），把两者直接相减在物理意义上很奇怪。

吴恩达给出的替代方案是：

选择那个"在满足运行时间约束的前提下，准确率最高"的分类器。

具体表述为：

假设有三个分类器 A、B、C：

思考：这就是"满足指标"的精髓——只要过了门槛线，100 毫秒和 50 毫秒在你眼里就没区别了，不必为了多省几毫秒而牺牲准确率。

考点：满足指标的定义是"just has to be good enough"（只要够好就行），一旦达到阈值，再优化它也不会带来额外收益。

如果有 N 个你关心的指标：

理解：这套框架的价值在于它提供了一种"几乎自动化"的决策方式——面对一堆候选模型，你可以快速筛掉不满足门槛的，再在剩下的里挑优化指标最优的，无需反复纠结权重。

唤醒词（Wake Words），也叫触发词（Trigger Words），是语音控制设备的"开机口令"：

准确率（Accuracy）：当用户真的说出唤醒词时，设备被成功唤醒的概率。
- 希望越大越好 → 优化指标。
误报次数（False Positives）：没人在说话时，设备却随机被唤醒的频率。
- 希望越少越好，但只要能控制在"每 24 小时最多 1 次"即可 → 满足指标。

在保证每 24 小时误唤醒不超过 1 次的前提下，最大化唤醒准确率。

思考：为什么误报不能设为 0？因为把误报压到极致通常会牺牲准确率（漏唤醒变多），用户体验反而更差。设一个可接受的阈值（每天 1 次），是工程上更务实的权衡。

易错点：误报（false positive）和漏报（false negative）是两回事。唤醒词场景里，误报是"没人喊却醒了"，漏报是"有人喊却没醒"。本案例把误报设成满足指标、把准确率（本质是减少漏报）设成优化指标，是明确区分了这两类错误。

提醒：评价指标本身需要依托数据集来计算，因此如何合理地划分训练集 / 开发集 / 测试集同样关键。视频结尾预告：下一节将讲解设置训练集、开发集、测试集的指导原则。