阿扣：阿特，我们已经学过怎样构建神经网络，得到预测结果了。不过到这里还没有完，还有重要的步骤。
阿特：是什么呢？
阿扣：检验效果，来判断模型是否靠谱。
阿特：是不是根据错误率呀？错误率低就说明更靠谱。
阿扣：没错，是这个思路。不过要怎样计算错误率呢？想想看，我们的模型是根据训练数据「拟合」出来的，也就是说，模型在这些数据中「学习」到了规律。但是这不代表模型在其他数据中也能预测得很好哦。
阿特：是不是像有的专家，在某些领域有经验，但是换一个领域可能跟普通人没什么区别。
阿扣：说得对。我们的训练模型也是这样，它有可能对给出的数据了如指掌，就像谈恋爱一样，成为某个姑娘的「专家」。但是换一个姑娘，人家喜欢吃什么、爱豆是谁、是不是颜控，它可能就抓瞎了。很多时候，不是模型复杂效果就好，因为那样可能是「过拟合」（over-fitting）了：
Cross validation
K-flld cross validation
阿特：那怎么防止过拟合呢？
阿扣：要学会评估训练效果。当模型遇到新的数据，看看这些数据它预测得咋样。一般的做法是，把训练数据分成 3 部分：
| 数据集 | 作用 | 参考比例 |
|---|---|---|
| 训练集 Training Set | 训练模型 | 70 |
| 验证集 Validation Set | 调整模型 | 10 |
| 测试集 Testing Set | 测试模型效果 | 20 |
阿特：就是把拿到的数据分三份，有一份要存起来，最后才拿出来用。
阿扣：奏四这个节奏。记住啊，千万不要用测试数据来训练模型！不然就「监守自盗」了啊！切记切记！
Confusion matrices 混淆矩阵
阿扣：模型在做预测的时候，通常会犯两种错误。我们举个例子——要诊断某个人是不是得病。那么错误会有两种：
- 实际上得病，但是判断为没病 (False Negative)
- 实际上没病，但是判断为得病 (False Positive)
阿特：好惨哦……这种错范不得……
Accuracy 准确率
阿扣：有了混淆矩阵，我们就容易计算出模型的准确率：
Accuracy = (True positives + True Negatives) / Total
阿特：把对的加起来，除以总数。
阿扣：对呀对呀，来，给你留个小测试，看看是不是掌握了：
补充：如何评估线性模型
Mean Absolute Error ：把每个数据点的误差 $(y-\hat y)$ 加起来
Mean Squared Error ：把每个数据点误差的平方项加起来
R2 Score ：比较训练模型和最简单的模型。
Model complexity graph
下图虚线表示验证集数据，实线表示训练数据。好的模型，在训练集和验证集上的准确率都比较高。
