上限分析（Ceiling analysis）

光學字符識別并不是一個單一的過程，而是由若干過程構成的流水線。我們知道，字符識別作為該流水線的出口，其將是衡量光學字符識別準確率的依據。工程浩瀚，我們不可能在流水線的每一步都花費巨額的精力來作出改善，因此，我們需要一種手段來知道去改善哪一步是最值得的，**上限分析（Ceiling analysis）**就是手段之一。

所謂上限分析，就是我們假定某個組件及其前面組件的精度都達到了 100%，即該組件完美地完成了任務，達到了上限，那么此時整個系統的精度能提升多少 。例如，假定整個系統的精度是 72%，我們令文本檢測的精度是 100%（比如人工利用 PS 來定位圖片中的文本框），此時，整個系統的精度能提升到 89%。即，如果我們付出足夠多的精力來優化文本檢測，那么理想情況下，能將系統的精度提升 17%：

完成上限分析后，我們得到上面的表格，可以看出，最值得花費精力的步驟是文本檢測，最不值得花費精力的是字符分割，即便我們完成了 100% 的分割，最多也就對系統提升 1%。

總結

以上是生活随笔為你收集整理的11.4 上限分析-机器学习笔记-斯坦福吴恩达教授的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。