1回答

liuyubobobo

2018-01-07

已采纳

由于sklearn中的数据相对还是比较toy的，数据量也不够，所以会出现这种情况。真实数据其实蛮少出现这种情况的。如果出现了个人经验可以考虑如下的几个因素：

1）万金油的方式：加大样本量，让结果更可靠。样本越大，出现“平局”的概率越低，结果也越可靠。而且这个方法很可能是最重要，最直接，最有效的解决问题的方法。

2）如果准确率很高的话，可以考虑降低train的样本量，增大test的样本量。test的样本量越大，平局概率越低。

3）应该偏向于使用使模型更加简单的参数。对于knn来说，k越大，模型越简单。所以我倾向使用k=5的模型。关于模型复杂度的话题，我们会在第八章再进行介绍。届时也会再回顾knn模型的简单与复杂的问题。

4）使用可以有更加合理解释的参数。比如对于明可夫斯基举例来说，我个人就不喜欢p >= 3的参数，因为在我看来p>=3的明可夫斯基距离缺少直观的数学解释。除非p>=3时候得到了性能的巨大提升，我才会选用。不过此时我也会关注一下为什么有一个p>=3的参数，优于p=1或p=2那么多，这背后可能隐藏了我们没有发现的特征关系。很可能要回到数据整理阶段，看看我们是不是可以收集或者计算出更好的特征。我们在这个课程讲PCA，多项式回归和SVM的时候，都将关注在算法的层面生成新的特征的话题。但是数据的整理包括特征工程是一个很大的话题，我们在这个课程中主要介绍机器学习算法，对这方面涉及不多。

5）要注意：使用train_test_split评测最终算法的结果，和训练测试数据集是怎样划分的有很大的关系。而这个划分是随机划分的。所以可以考虑对于每一组参数多次对数据进行随机划分，用多次平均值的结果作为最终结果以尽量消除随机的影响。

6）其实使用train_test_split的方式进行调参是有系统性的问题的。我们在这个课程的第八章将具体讲解这个问题。使用Cross Validation的方式进行调参将更好，极端情况下使用LOOCV的方式（会非常耗时）。这些内容都会在第八章进行介绍。

7）考虑除准确度以外的其他性能指标。在这个课程的第十章，将对分类还有什么指标进行介绍。包括精准率，召回率，F1 Score，PR曲线，ROC曲线等。

8）直接在生产环境中进行AB测试。两组参数都表现很好，所以也不一定非要在实验环境分出个高下，直接上生产环境没什么问题。当然了如果两组参数都一样烂，我们也就不用费劲给他们分出个高下了。

暂时想到这么多。

5

1

奔跑的小女子

谢谢老师~

2018-01-07

共1条回复