關於引數
feature scaling
機器學習中對於引數的理解不是數學中的數字，而是代表的是一種邏輯的趨勢的數字，這種邏輯是人類對場景的邏輯，也可以看作是人思想上對場景與數字引數的經驗，所以機器學習中的運算，不是數字的運算，而是邏輯的運算，如何設計出符合人類邏輯規律的運算，才能更好的**趨勢，這種數字概念更多指向場景對引數的邏輯，而並非數學世界的數字引數。人類邏輯是一種更為複雜的運算，它區別於單純的算數運算，但究其根本也是一種運算，所以機器學的運算是模仿人類的邏輯的複雜運算，其本源是單純的數**算，如何構建出更加符合人類邏輯的運算體系，是機器學習的最終課題。
關於 引數 －1< x < 1
方差公式的侷限性，要求最優終值無限逼近零，正是因為這種特性，我們必須對與引數調整以符合算術規則，來模仿邏輯。算術運算上的零意味著邏輯世界的最優策略，這種公式化的粗糙邏輯模仿存在許多問題，我們需要調整引數的權重讓它符合算術世界的零，從而獲得我們邏輯世界的最優策略。 (調參工程師由此產生－。－ )
引數的調整，一方面是引數對場景的意義，另一方面是引數對公式的意義。如何讓公式更加有效的模仿場景去運算引數，是我們調參的重點，一是理解引數與場景的關係，而是理解引數與公式的關係，然後調整引數讓公式去模仿場景，讓算術運算去模仿邏輯運算。關於如何模仿邏輯運算，就要構建乙個像人類一樣的負責的運算體系。
特徵值權重思想更加符合場景對不同引數的敏感度，不同的引數對於場景權重不同。
引導學習的作用
場景變換，環境變化對機器學習的影響，如何正確的引導機器學習給予演算法以靈魂，當我們在場景改變的時候是否可以調整對機器學習運算的策略，如何給予機器學習更加自由的場景，以改變場景而並非改變引數來影響結果，是我們需要思考的。
機器學習 調參
在實際調整引數之前，我們先要搞清楚兩個事情 1.調參的目的是什麼？2.調參調的東西具體是什麼？第乙個問題 調參的目的是什麼？調參的最終目的是要使訓練之後的模型檢測物體更精確，向程式的方向更靠近一步的話，就是使得損失函式 例如ssd中的loss 盡量小 因為利用訓練集訓練出來的模型質量在訓練過程中只能...
機器學習 演算法調參
coding utf 8 演算法調參.ipynb automatically generated by colaboratory.original file is located at 超引數優化 這是機器學習模型解決問題的最後乙個步驟，並不是整個解決方案的最後一步。不會調參就不能說會機器學習。引數...
機器學習調參方法
網格搜尋交叉驗證 通常是在全量資料上做的，會自動切分成幾折 有時候會注意做分層抽樣去保證資料分布 參考的kaggle kernel early stopping 這個通常需要切分訓練集和驗證集，我們會根據驗證集去確定最佳的輪次，但是除掉迭代輪次以外其他的引數需要通過經驗或者gridsearch敲定。...