【算法记录1】模型训练问题

一、训练流程中的“检查点”记忆法数据准备 → 模型定义 → 训练循环 → 结果评估在每个节点都能判断、预防或修复过/欠拟合。二、按写代码顺序串联第1步准备数据现象判断原因代码上怎么改数据太少 → 容易过拟合样本不足加数据 / 数据增强特征太少/太差 → 欠拟合信息不足特征工程、加交叉特征噪声太多 → 过拟合记住噪声清洗数据、异常值处理记忆锚点先看数据量够不够、干不干净。第2步定义模型现象判断原因代码上怎么改模型太小层少、神经元少→ 欠拟合表达力不够加层、加神经元、换复杂模型模型太大参数远超样本量→ 过拟合容量过剩减少层/神经元、加Dropout/正则化记忆锚点模型容量要和数据量匹配。第3步训练循环中现象判断原因代码上怎么改训练loss不下降 → 欠拟合没学好调大学习率、增加epoch、改优化器训练loss下降、验证loss上升 → 过拟合开始背题早停、降低学习率、加正则化记忆锚点盯着训练和验证两条loss曲线。第4步评估与调优现象判断原因代码上怎么改训练好、验证差 → 过拟合泛化差上面第2、3步的方案训练差、验证也差 → 欠拟合没学会上面第1、2步的方案三、一张代码流程速查表IDE旁边# 1. 数据准备if训练差and验证差:# 欠拟合→ 加特征/特征交叉if训练好and验证差:# 过拟合→ 加数据/数据增强/清洗噪声# 2. 模型定义if欠拟合:→ 加层/加神经元/换大模型if过拟合:→ 减层/减神经元/加Dropout/加L2# 3. 训练循环欠拟合 → 增加epoch/调大lr 过拟合 → 早停/降低lr/加正则# 4. 验证时if验证loss开始上升:触发早停# 代码写Callback四、一句话记忆流程版先看数据多少/好坏→ 再看模型大小/容量→ 训练盯曲线loss走势→ 早停防过拟合加epoch治欠拟合写代码时按这个顺序检查一遍比背分类表自然得多。