第五周周报

第五周周报

首先我尝试了课堂上讲述的一些方法，调用相关函数，显示了训练过程中，各属性的重要性。

在上一周，我做的主要还是数据预处理的工作

• 首先，我采用了分箱法，对原数据中一些连续数据进行了处理，分箱法将连续数据离散化，有助于模型的稳定性，降低了程序过拟合的风险，在当前的实验中，我才用了等频分箱的方法。
• 另外，我对于原数据，也进行了压缩处理，主要是对于数值型数据，对于整形数据，判断该属性其最大值与最小值所处的区间范围（8，16，32，64位整数）的范围之内，并将其转换为相符合的类型整数。
  通过以上的操作，虽然测试集的成绩，并没有显著提升，但是，大大减少了硬件负担以及提高了训练的效率。

另外，在上一周中，我还学习了一些评估模型的方式，用于训练模型并评价其学习能力。

• 交叉验证法
• 留出法 ，将原数据集划分为训练集与测试集，划分的时候要保证数据分布的一致性。

目前，我感觉由于缺乏经验，我在数据处理方面，很难在成绩方面有更为有效的提升，我的数据处理的结果，大部分是提高了训练速度，因此，目前，我也学习了贝叶斯调参的方法，希望通过参数的优化，能够进一步地提升训练的成绩，相关工作与成果将在下一周的周报中展示。