最近，在學習機器學習的分類問題，數據是一個問題，我們用一些數據訓練，發現，訓練的數據對好的圖片識別率高，對不好的圖片識別率低，
雖然通常好的圖片比較多，但是就像svm一樣，支持邊界的就那幾個點，所以決定分類邊界的往往是分錯的點。但這並不絕對，因為好的數據
可以決定大的邊界，差的數據決定小的邊界，因此，這就產生了好幾種方案：
方案一：
1、用所有數據（如果數據量大，取局部手動標注）訓練一個初步模型，並用該模型對所有數據進行一輪分配（類）。
2、手工找出模型分類錯誤的點，手動調整后再訓練（根據數據大小采取局部和整體相結合）
3、最終用半自動分類的數據進行訓練整體模型
方案二：
1、用所有數據（如果數據量大，取局部手動標注）訓練一個初步模型，並用該模型對所有數據進行一輪分配（類）。
2、挑出分類錯誤的樣本，並手動分類，在第一輪中，分類正確的樣本我們稱為好的數據，分類錯誤的稱為邊界樣本。
現在，問題來了，如何協同這些樣本？可以去邊界樣本數據和好的數據1:1（or n:m）按一定比例構成新的數據集然后進入
第3步訓練。
3、最終用半自動分類的數據進行訓練整體模型
如果數據量大，可以重復1、2步驟。
為什么這樣做？因為通常是好的數據比邊界數據多得多，當10000張好的數據和1張邊界數據進行分類，准確率也達到99.99%，
但，我們為什么不用error 產生者，去訓練，這樣收斂的也快，也減少了不必要的epoch。
當然，上面還可以衍生各種組合。
有監督學習就像一把槍，指哪打哪，但是，你亂指（數據亂標），那他就亂打。
對於不好區分，或者人眼看過去比較邊界模棱兩可的圖像，比如將兩種花區分開來，但是
實際應用這圖片不是都是非常好的圖像，會存在曝光、偏光、夜晚等情況，如果有些圖片是
在夜晚拍攝，這時候兩種花大部分背景色調都是黑色，都不好區分，這時候訓練的邊界數據
就需要用learning rate小一些比較好。
（轉載需獲得作者同意哦）