2.2.4 調(diào)參與最終模型
     大多數(shù)學(xué)習(xí)算法都有些參數(shù)(parameter)需要設(shè)定，參數(shù)配置不同，學(xué)得模型的性能往往有顯著差別．因此，在進(jìn)行模型評估與選擇時，除了要對適用學(xué)習(xí)算法進(jìn)行選擇，還需對算法參數(shù)進(jìn)行設(shè)定，這就是通常所說的“參數(shù)調(diào)節(jié)”或簡稱“調(diào)參”(parameter tuning).
　 　讀者可能馬上想到，調(diào)參和算法選擇沒什么本質(zhì)區(qū)別：對每種參數(shù)配置都訓(xùn)練出模型，然后把對應(yīng)最好模型的參數(shù)作為結(jié)果，這樣的考慮基本是正確的，機(jī)器學(xué)習(xí)常涉及兩掌參數(shù)：一類是算法的參霆  但有一點(diǎn)需注意：學(xué)習(xí)算法的很多參數(shù)是在實數(shù)范圍內(nèi)取值，因此，對每種參數(shù)亦稱”超參數(shù)“，數(shù)目常在配置都訓(xùn)練出模型來是不可行的，現(xiàn)實中常用的做法，是對每個參數(shù)選定一個10以內(nèi)：另一類是模型昏參數(shù)，數(shù)目可能很多』篇  范圍和變化步長，例如在[0；0.2]范圍內(nèi)以0.05為步長，則實際要評估的候選參如大型“深度學(xué)習(xí)”模型  數(shù)值有5個，最終是從這5個候選值中產(chǎn)生選定值．顯然，這樣選定的參數(shù)值往甚至有上百億個參數(shù)，一者調(diào)參方式相似均是零  往不是“最佳”值，但這是在計算開銷和性能估計之間進(jìn)行折中的結(jié)果，通過生多個模型之后基于某萎  這個折中，學(xué)習(xí)過程才變得可行，事實上，即便在進(jìn)行這樣的折中后，調(diào)參往往評估方法來進(jìn)行選擇：習(xí)同之處在于前者通常是由  仍很困難．可以簡單估算一下：假定算法有3個參數(shù)，每個參數(shù)僅考慮5個候選人工設(shè)定多個參數(shù)候選釜值，這樣對每一組訓(xùn)練／測試集就有53：125個模型需考察；很多強(qiáng)大的學(xué)習(xí)算后產(chǎn)生模型，后者則是通過學(xué)習(xí)來產(chǎn)生多個候選模法有不少參數(shù)需設(shè)定，這將導(dǎo)致極大的調(diào)參工程量，以至于在不少應(yīng)用任務(wù)中，型（例如神經(jīng)網(wǎng)絡(luò)在不同  參數(shù){輪數(shù)停止訓(xùn)練）．