我想有很多人对计算机科学根本就不了解 最近有很多文章在谈什麽参数不参数 最佳化不最佳化的 让人看了很无力 如何避免data overfitting 在machine learning里来说 根本就是基本中的基本 建议自己去翻书或是去资讯系上课 ※ 引述《tedinroc (真爱)》之铭言： : 喔...了解您的意思了:) : 那我前述的步骤应该改成： : 1.先从前四年资料做参数最佳化，并选出数组适合的参数。 : 2.将这几组挑选出的参数一一跑最後两年的资料(只是跑出绩效表做比较，不做最佳化) 不 选一组最好的参数即可 如果这组参数在最後两年跑出来的结果很差 就代表你应该换方法而不是调参数 除了以前四年的资料测後两年的资料以外 应该还要多测几组 以资料分成123456年来说 至少还要以3456年的资料测12年的资料 以1256年的资料测34年的资料 诸如此类 只要有哪个结果不好 就代表你的方法有问题 : 3.把不够稳定的参数除去，选出表现较佳的参数 : 4.最後选出之参数就为未来之固定参数 : 第二步单纯只跑出绩效表来比较数组参数间的绩效呈现 : 小弟个人的思考是把数组挑选过的参数，去跑最後两年的资料 : 等於是把这几组参数都投入实战，然後依各自的表现稳定度(与过去绩效之差异度)选择 : 这样的步骤会不会仍然有过度最佳化的偏差呢^^? : 会不会仍然变成是人工的最佳化@@? : 另外想请问您，在最佳化的过程中若是各种参数组合都不至於让绩效看起来太糟 : 是否能代表该程式在根本的逻辑上是正确的呢^^? 等你赚钱 才是正确 --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 140.112.31.182