机器学习实践中如何进一步改进模型的性能？

要提高模型性能，除了尝试其他（更复杂）算法以外，我们还需要更改流程。

常用方法侧重于机器学习模型开发的以下某一方面：

 

1、调节模型参数。

通过更改主要模型参数，不使用其默认设置，我们几乎总能提高性能。

2、添加或修改训练数据。

添加训练数据很有用，直至达到过拟合点（当错误率开始增加时）。额外预处理能够利用我们可能忽视的数据本身（如损坏的数据、异常值或缺失值）补救任何问题。

3、变换或提取特征。

如果我们的当前特征集没有捕获数据中固有的所有变异，提取更多特征可能有作用。相比之下，如果我们看到过拟合迹象，可通过运用缩减技术，比如主成分分析 (PCA)、线性判别分析 (LDA)或奇异值分解 (SVD)，进一步减少特征。如果特征在尺度范围上变化很广，则可以借助归一化之类的特征变换。

4、进行特定于任务的权衡。

如果某些误分类不太受欢迎，我们可以运用成本矩阵，对特定预测类分配不同的权重。