【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