4.9 environment and deviation types

#1.协变量偏移，比如说我们训练集是一组真实的猫狗图像，但是测试集却给出了动画猫狗图像。
#也就是说，假设在一个与测试集的特征有本质特征的数据集上进行训练，如果没有方法来适应新的领域，可能会有麻烦。

#2.标签偏移，label shift描述了与协变量偏移相反的问题。这里我们假设标签边缘概率P(y)可以改变，但是类别条件分布P(x|y)在不同的领域保持不变
#当我们认为y导致x时，标签偏移就是一个合理的假设。比如我们判断疾病时，可以根据症状来判断，即使疾病的相对流行旅随着时间而变化。也就是疾病就是
#标签，会发生一定变化，但是症状并不改变。

#概念偏移，比如标签的定义发生变化了，例如精神疾病的诊断标准，工作头衔等

4.9.2 distribution deviation examples

#比如自动驾驶汽车，我们想要通过机器学习开发自动驾驶。
#当我们需要学习路沿，开发路沿检测器，有人直接把游戏中的路沿数据拿来额外的训练数据，在测试的时候也会非常有效！虽然很快就学习到了这个渲染的特征
#但在真正的应用中就是灾难。

4.9.3 distribution deviation correction

#这里有很多我看不懂的方法，而且目前对学习下面内容影响不大，先跑到下面去咯。