> For the complete documentation index, see [llms.txt](https://baozoulin.gitbook.io/neural-networks-and-deep-learning/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://baozoulin.gitbook.io/neural-networks-and-deep-learning/di-san-men-ke-jie-gou-hua-ji-qi-xue-xi-xiang-mu-structuring-machine-learning-projects/di-san-men-ke-structuring-machine-learning-projects/di-yi-zhou-ml-strategy/18-wei-shi-yao-shi-ren-de-biao-xian-ff1f-ff08-why-human-level-performance.md).

# 1.8 为什么是人的表现？（ Why human-level performance?）

机器学习模型的表现通常会跟人类水平表现作比较：

![](/files/-Le0chNm1OexBtzgEA_F)

当开始往人类水平努力时，进展很快，机器学习模型经过训练会不断接近human-level performance甚至超过它。超过之后，准确性会上升得比较缓慢，当继续训练算法时，可能模型越来越大，数据越来越多，但是性能无法超过某个理论上限，这就是所谓的贝叶斯最优错误率（**Bayes optimal error**）。理论上任何模型都不能超过它，即没有任何办法设计出一个$$x$$到$$y$$的函数，让它能够超过一定的准确度，bayes optimal error代表了**最佳**表现

对于语音识别来说，如果$$x$$是音频片段，有些音频很嘈杂，基本不可能知道说的是什么，所以完美的准确率可能不是100%。对于猫图识别来说，也许一些图像非常模糊，不管是人类还是机器，都无法判断该图片中是否有猫。所以完美的准确度可能不是100

贝叶斯最优错误率有时写作**Bayesian**，即**省略optimal**，就是从$$x$$到$$y$$映射的理论最优函数，永远不会被超越。，无论在一个问题上工作多少年，紫色线永远不会超越贝叶斯错误率，贝叶斯最佳错误率

![](/files/-Le0chNoSEOo2l2d1fWn)

机器学习的进展直到超越人类的表现之前一直很快，当超越时，有时进展会变慢。有两个原因：

* 人类水平在很多任务中离贝叶斯最优错误率已经不远
* 只要表现比人类的表现更差，可以使用某些工具来提高性能。一旦超越了人类的表现，这些工具就没那么好用

只要人类的表现比任何其他算法都要好，就可以让人类看看算法处理的例子，知道错误出在哪里，并尝试了解为什么人能做对，算法做错

![](/files/-Le0chNqFuYcZMp2ThKs)![](/files/-Le0chNs6kkBQeKL-s5N)