1. 内容
这一节主要讲了在有多个评价指标时，如何优化算法，或者如何将多个评价指标结合起来（combine multiple evaluation metrics）。例如，在一个系统中，我们需要既考虑准确度又要考虑学习算法的运行时间，面对两个评价标准，一个不太自然的方法是从它们（准确率和运行时间）派生出一个综合评价指标，如: Accuracy - 0.5 * RunningTime。
另一种方法也就是作者主要介绍的方法。
- 确定一个可以接受的运行时间范围，如100ms以内。
- 在分类器满足时间限制的条件下最大化准确率。
在这里， 运行时间就是一个“约束性”指标（satisficing metric）， 分类器必须满足该指标，准确度是一个“优化性”指标（satisficing metric）。
如果有N个不同的评价标准， 可以从中选择N-1个标准作为“约束性”指标，例如你可以直接指定他们满足某个值，然后将剩下的那个指标作为“优化性”指标，在“约束性”指标的限制下去不断优化。
2. 实例
Ng为我们例举了一个实际的应用场景——硬件设备（平时用到的AI音响）的唤醒系统。在该系统中，我们需要既考虑假阳率——没有人说唤醒词时系统被唤醒的频率，也需要考虑假阴率——当有人说唤醒词时系统没有被唤醒的频率。对于该系统，一个合理的目标是在满足24小时内不超过一次假阳事件的条件下，最小化系统的假阴率。
3. 思考
在讲解算法如何优化之前，Ng首先讲了如何确定评价指标，这给我们一个提醒，应以目标为导向开发系统或是任何算法，而且团队应该商量一致，才能更好地协作，开发目标明确，也加快了系统的开发时间。
在我们遇到多个变量时，如何优化问题的思维是：固定或限定其他变量，只优化一个变量，这个化繁为简的思维值得在更多的事情上应用。比如我们的生活中有很多的变数，我们想让生活的每个方面都向更好的方向发展，当然不现实，一个可行的方法是选择一个作为可优化的目标，接受（或在一定程度上）其他的变数。