1.如果你是態度認真的機器學習工程師，你會花很長時間清洗資料。

2.對網路提前訓練完全不同的事物，比從來沒有訓練過的網路可以得到更好的結果。從某種角度講，神經網路內部形成的特徵，與你訓練的圖片型別無關。

3.敏感性與特異性
敏感性和特異性雖然與查準率和查全率相似，但並不相同。在癌症示例中，敏感性和特異性指：
敏感性：在患有癌症的所有人中，診斷正確的人有多少？
特異性：在未患癌症的所有人中，診斷正確的人有多少？
查準率和查全率的定義如下：
查準率：在被診斷患有癌症的所有人中，多少人確實得了癌症？
查全率：在患有癌症的所有人中，多少人被診斷患有癌症？
從這裡可以看出，敏感性就是查全率，但特異性並不是查準率。

4.假設我們有一個能夠輸出黑色素瘤概率的神經網路。要將它分類為黑色素瘤或者非黑色素瘤，你會選擇哪個值作為閾值？

下圖是我們的模型對一組病變影象所做的預測直方圖，如下所述：

• 水平軸上的每個點是從 0 到 1 的值 p。
• 在所有值 p 中，我們定位了被分類器預測概率 p 為惡性的所有病變。

在圖中，我們將 0.2、0.5 和 0.8 作為閾值。請注意：

• 在 0.2 下，我們正確分類了每個惡性病變，但也對許多良性病變進行了進一步檢查。
• 在 0.5 下，我們未診斷出一些惡性病變（嚴重），對少許良性病變進行了進一步檢查。
• 在 0.8 下，我們對大部分良性病變進行了正確分類，但未診斷出許多惡性病變（非常嚴重）。

在該模型中，可能會有更好的閾值。這個閾值是0.4。