在專案、工作中，如果你是作為乙個演算法工程師或者資料分析師，用到機器學習或深度學習模型的話，會經常遇到模型的結果始終提公升不了的瓶頸。在這個時候，我們該怎麼做呢？
我對模型的優化進行了乙份總結，以後大家遇到類似的模型效果提公升不了的時候，就按照這個清單看一遍有哪些自己還沒做的，有哪些覺得可以用到的，進行一番嘗試。
我主要從以下四個方面進行了一下總結：
1、資料
人們都說，資料決定了模型的上限，而不同的模型只是決定你能如何逼近這個上限。有時候，我們可以改變訓練資料或者改變樣本集的標籤，這時往往會有出乎意料的效果。有句話說的好，選擇比努力更重要！
策略總的核心思想就是建立不同的目標樣本，並且盡可能的使用最底層的特徵來進行模型訓練。
具體策略：
清洗資料：通過資料清洗，你可以對缺失值、異常值進行合理的填補與修復，從而提公升資料整體的質量。
重新取樣資料：其實可以通過對資料的重新取樣來改變資料的分布和大小。對某一特定型別的樣本進行取樣，說不定可以更好滴表現出效果。又或者是使用更小的資料，從而加快速度。
問題解決思路的重新思考：有的時候，你可以把你目前正在「焦頭爛耳」想要解決的「**性」問題，換成回歸、分類、時間序列、異常檢測、排序、推薦等等的問題。
調整變數再入模：這裡指的是對資料進行離散化、標準化等的操作。
對變數進行降維：有的時候降維後的變數有更好的表現哦。
特徵選擇：這個就是特徵工程了，簡單來說，就是你對特徵（變數）進行重要性的排序，選擇相對**力強的特徵進入模型。
2、演算法選擇
我們要做的就是識別出優於平均值的演算法，但是在查詢資料的時候，對實驗過程和結果都要抱有懷疑的態度，並反覆進行思考。
具體策略：
3、演算法調優
模型調參是乙個耗時耗力的體力活，有時候運氣好，馬上就能得到不錯的結果。但是如果要對所有的模型演算法都進行有優化，可能就需要幾天、幾個星期或者幾個月了。充分使用效能良好的機器學習演算法，並且使用良好的調參框架，在引數方面如果有經驗的話，那是最好的。
具體策略：
4、效果整合
這種方法在一些競賽中是非常有用的，可以結合多個模型的結果，綜合輸出乙個更加穩定而且效果不錯的模型。
具體策略：
以上就是我總結的一些優化模型效果的方法，大家可以收藏一下，方便以後隨時檢視~
mysql卡的調優思路 MySQL效能調優思路
1.mysql效能調優思路 如果一台伺服器出現長時間負載過高 週期性負載過大,或偶爾卡住如何來處理?是週期性的變化還是偶爾問題?是伺服器整體效能的問題,還是某單條語句的問題?具體到單條語句,這條語句是在等待上花的時間,還是查詢上花的時間?1.1.監測並觀察伺服器的狀態.觀察伺服器狀態,一般用如下2個...
MapReduce的調優總結
mapreduce的調優總結 mapreduce 伺服器調優 1.mapreduce.task.io.sort.factor mr程式進行合併排序的時候，開啟的檔案數量，預設為10個.3.mapreduce.map.sort.spill.percent mr程式進行flush操作的閥值，預設0.80...
機器學習之模型的選擇與調優
交叉驗證 將拿到的資料，分為訓練和驗證集。以下圖為例 將資料分成4份，其中乙份作為驗證集。然後經過4次 組 的測試，每次都更換不同的驗證集。即得到4組模型的結果，取平均值作為最終結果。又稱4折交叉驗證。通常情況下，有很多引數是需要手動指定的 如k 近鄰演算法中的k值 這種叫超引數。但是手動過程繁雜，...