原因

1 近年来机器学习的效果越来越好，能够和人类的相应能力做比较。
2 设计和构建机器学习系统，这个工作流程很高效。

因为种种原因，ML或者人都不可能超过Bayes Optimal Error 贝叶斯最优误差，ML随着时间推移会越来越接近贝叶斯最优误差。
3 在人类做得很好的领域，将ML与人的能力比较，如果ML能力差，那么可以得到更多的人类标记的数据；从人类的视角发现哪些地方还能再改进；得到更好的偏差和方差(bias/varaiance)
　高偏差是指训练得到的数据与真实数据不符合，一般发生在欠拟合。
　高方差是指使用不同数据集得到的结果差别很大，一般发生在过拟合。

可避免的偏差值

Bayes Optimal Error 是指人或者ML能达到的最高水平，一般来讲会取人类水平的最好值，不管是一个人还是一支队伍。
人类水平减去ML在测试集上的表现之间的差，是可避免偏差值(avoidable bias)。
测试集上的表现减去交叉验证集上的表现，是方差值。
这两个值，哪个比较大，就在哪里进一步优化，当然优化措施不同。

这里对于人类水平的选择有一定选项。如果要求严格，那一定是人类最好水平。如果是其它目的，则找一个可接受的水平。我们会用人类水平估计贝叶斯最优差值。不同的贝叶斯最优差值可能会引起 偏差值与方差值哪个大，哪个小，进一步影响优化手段。

当ML效果超过人类的时候

目前在一些领域ML效果惊人。例如在以结构化数据为基础的：在线广告、产品推荐、信用贷款等。例如在语音识别方面、图片识别、一些医学领域。
这时候你的调优策略会发生变化，调优方面会不如以前清晰。

调优策略

　当发生高偏差的时候，可以加大训练模型；优化目标函数；使用更复杂的网络模型等。
　当差生高方差的时候，可以增加训练集的数量；做正则化，例如L2、dropout、增加数据集(data agumentation)、尝试其他的网络类型。
　
参考文献：
1 文章内容来源于Structuring Machine Learning Projects.