【ML】机器学习任务攻略 4

• • • 1. 机器学习任务攻略
    • • 1.1 数据预处理
      • 1.2 模型选择与调整
      • 1.3. 交叉验证与评估
      • 1.4. 正则化与避免过拟合
      • 1.5. 优化算法与学习率调整
      • 1.6. 特征选择与降维
      • 1.7. 处理类别不平衡
      • 1.8. 软件和硬件优化
      • 1.9. 持续迭代与反馈
    • 2.模型训练质量的判断标准
    • • 2.1 性能指标
      • 2.2 交叉验证
      • 2.3 过拟合与欠拟合
      • 2.4 学习曲线
      • 2.5 模型复杂度
      • 2.6 数据质量
      • 2.7 域外错误 (Out-of-Distribution Errors)
      • 2.8 可解释性
      • 2.9 实际应用效果
    • 3. 过拟合处理方式和如何避免过拟合
    • • 3.1处理过拟合的方法：
      • 3.2 避免过拟合的方式：
    • 4. 机器学习模型如何优化的更好
    • 5. Model Bias引发的模型退化问题
    • 6. optimaization不够好是引起的
    • 7. overfitting 为什么会出现
    • 8. overfitting 过拟合修复方法：
    • • 8.1 数据增强 按照你自己的对问题的理解 定向增强。
      • 8.2 方法2： 对MODEL做限制，比如，给比较少的参数，model共用参数等等
      • 8.3 些许方法